Erste Schritte

YOLOv5 vs. YOLOv10

Die Echtzeit-Computer-Vision hat sich in den letzten Jahren rasant weiterentwickelt; unterschiedliche Architekturen erweitern die Grenzen dessen, was moderne Hardware leisten kann. Ein Vergleich der hochmodernen Architekturen YOLOv5 und YOLOv10 zeigt einen bedeutenden Entwicklungsschritt bei der Objekterkennung. Dieser technische Vergleich untersucht ihre Architekturansätze, die Kompromisse bei der Leistung und wie Entwickler diese Werkzeuge in Produktionsumgebungen einsetzen können.

Architekturanalyse#

Es ist wichtig, die strukturellen Unterschiede dieser Modelle zu verstehen, um sie in der Praxis effizient bereitzustellen.

Ultralytics YOLOv5: Der Branchenstandard#

YOLOv5 wurde von Ultralytics entwickelt und ist seit Langem für sein ausgewogenes Verhältnis aus Geschwindigkeit, Genauigkeit und Zugänglichkeit bekannt.

YOLOv5 setzt auf einen ankerbasierten Erkennungsmechanismus und ein stark optimiertes CSPDarknet-Backbone. Die Architektur verwendet vorwiegend Standardoperationen, die von praktisch allen Inferenz-Engines unterstützt werden, und lässt sich dadurch vielseitig einsetzen. Ihre große Stärke liegt im Ultralytics-Python-SDK, das eine optimierte Benutzererfahrung, eine einfache API und umfassende Dokumentation bietet. Außerdem lässt sich YOLOv5 dank seines im Vergleich zu Transformer-basierten Modellen geringeren Speicherbedarfs schnell auf handelsüblichen GPUs trainieren, ohne dass der VRAM-Bedarf stark ansteigt.

YOLOv10: NMS-freie Echtzeit-Detektion#

YOLOv10 wurde von Forschenden der Tsinghua-Universität entwickelt und sollte bestimmte Latenzengpässe früherer Architekturen beheben.

Mehr über YOLOv10 erfahren

YOLOv10 zeichnet sich durch sein Design ohne NMS (Non-Maximum Suppression) aus. Dank konsistenter doppelter Zuweisungen während des Trainings macht der One-to-One-Kopf die NMS-Nachverarbeitung bei der Inferenz überflüssig. Das verringert die Latenz bei der Nachverarbeitung und vereinfacht Bereitstellungsverfahren, etwa für NVIDIA TensorRT-Engines. Im Ultralytics-Paket verwendet YOLOv10 standardmäßig seinen One-to-Many-Kopf mit NMS. Setze nms=False, um den NMS-freien Kopf zu verwenden.

Vorteile des Ökosystems

YOLOv10 bietet zwar interessante Neuerungen bei der Architektur, doch Ultralytics-Modelle wie YOLOv5 und das neuere YOLO26 werden nativ auf der Ultralytics Platform unterstützt. Dadurch stehen effizientes Training und zahlreiche Exportoptionen sofort zur Verfügung.

Leistungsanalyse#

Beim Vergleich dieser Modelle hängt der optimale Einsatzzweck vom Verhältnis zwischen Genauigkeit (mAP) und Rechenaufwand (Latenz und Parameterzahl) ab. Unten findest du den technischen Leistungsvergleich auf dem COCO-Datensatz.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLOv10 erzielt bei vergleichbaren Modellgrößen eindeutig einen höheren mAPval50-95 und profitiert dabei von seinem modernisierten Modelldesign, das Effizienz und Genauigkeit in Einklang bringt. YOLOv5 weist jedoch in den Nano- und Small-Klassen eine geringere GPU-Latenz auf und ist damit eine praktische Wahl für eingebettete Umgebungen mit begrenzten Ressourcen, etwa die NVIDIA-Jetson-Reihe oder Standard-CPUs mit OpenVINO.

Trainingsmethoden und Ökosystem#

Der Wert eines Modells hängt stark vom Ökosystem ab, das es umgibt. Ultralytics pflegt ein aktiv weiterentwickeltes Ökosystem, das eine große Bandbreite an Aufgaben unterstützt. YOLOv10 konzentriert sich ausschließlich auf die zweidimensionale Objekterkennung, während Ultralytics nativ auch Instanzsegmentierung, Bildklassifizierung, Posenschätzung und gedrehte Begrenzungsrahmen (OBB) unterstützt.

Außerdem benötigen Ultralytics-Modelle beim Training deutlich weniger zusätzlichen Speicher als konkurrierende Transformer-basierte Methoden. So bleibt der Entwicklungszyklus schnell und kosteneffizient.

Codebeispiel#

Das Training, die Validierung und der Export von Modellen erfolgen über eine einzige API. Du kannst zwischen Modellen wechseln, indem du einfach eine Zeichenfolge änderst.

from ultralytics import YOLO

# Ein vortrainiertes YOLOv5-Modell für erste Tests laden
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket

# Ein YOLOv10-Modell zum Vergleich laden
model_v10 = YOLO("yolov10s.pt")

# Das Modell effizient mit dem COCO8-Datensatz trainieren
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Verwendet automatisch die PyTorch-CUDA-Beschleunigung
    batch=16,
)

# Für die Inferenz auf der CPU zur Bereitstellung nach ONNX exportieren
model_v5.export(format="onnx", simplify=True)

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv5 und YOLOv10 hängt von deinen konkreten Projektanforderungen, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.

Wann du YOLOv5 wählen solltest#

YOLOv5 eignet sich besonders für:

  • Bewährte Produktionssysteme: Bestehende Bereitstellungen, bei denen die langjährige Stabilität von YOLOv5, die umfangreiche Dokumentation und die große Community wichtig sind.
  • Training mit begrenzten Ressourcen: Umgebungen mit begrenzten GPU-Ressourcen, in denen die effiziente Trainingspipeline und der geringere Speicherbedarf von YOLOv5 von Vorteil sind.
  • Umfangreiche Unterstützung von Exportformaten: Projekte, die eine Bereitstellung in vielen Formaten erfordern, darunter ONNX, TensorRT, CoreML und LiteRT.

Wann du YOLOv10 wählen solltest#

YOLOv10 empfiehlt sich für:

  • Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
  • Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
  • Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

  • NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
  • Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, auf denen YOLO26n auf der CPU bis zu 43 % schneller läuft als YOLO11n.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.

Die Zukunft: Ultralytics YOLO26#

YOLOv5 machte die Objekterkennung allgemein zugänglich, und YOLOv10 brachte die NMS-freie Architektur voran. Der technische Fortschritt geht jedoch weiter. Für neue Projekte empfiehlt Ultralytics Ultralytics YOLO26, veröffentlicht im Januar 2026.

YOLO26 vereint die Zuverlässigkeit des Ultralytics-Ökosystems mit mehreren Neuerungen:

  • Durchgängig NMS-freies Design: YOLO26 integriert das NMS-freie Paradigma direkt als optionale Eins-zu-eins-Ausgabe (nms=False) in das Ultralytics-Framework, was die Bereitstellung vereinfacht und die Latenz senkt.
  • Bis zu 43 % schnellere CPU-Inferenz: Da Distribution Focal Loss (DFL) entfernt wurde, läuft YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n. Das ist auf Edge-Geräten ohne GPUs hilfreich.
  • MuSGD-Optimierer: Inspiriert von Innovationen beim Training großer Sprachmodelle (LLMs) von Moonshot AI ermöglicht der MuSGD-Optimierer ein stabileres Training und eine schnellere Konvergenz.
  • ProgLoss + STAL: Progressive Loss und eine label assignment, die kleine Objekte berücksichtigt, verbessern die Erkennung kleiner Objekte. Das ist in Bereichen wie Drohnenaufnahmen und Robotik besonders wichtig.

Du kannst YOLO26 direkt über die Ultralytics Platform verwalten, trainieren und bereitstellen.

Fazit#

Die Wahl zwischen YOLOv5 und YOLOv10 hängt oft von den konkreten Projektanforderungen ab. YOLOv10 bietet einen hervorragenden mAP-Wert für Forschende und Anwendungen, die den vollen Durchsatz einer GPU nutzen. YOLOv5 bleibt dagegen ein zuverlässiges und äußerst kompatibles Arbeitstier für herkömmliche Bereitstellungen.

Das Feld der Computer Vision ist jedoch dynamisch. Für die beste Balance aus Leistung, Vielseitigkeit und Benutzerfreundlichkeit sollten Entwickler Ultralytics YOLO26 in Betracht ziehen. Das Modell verbindet optionale NMS-freie Inferenz mit dem gut dokumentierten Ultralytics-Ökosystem. Für spezielle Anwendungsfälle können Entwickler auch YOLO11 wegen seiner allgemeinen Robustheit oder RT-DETR wegen seiner Transformer-basierten Präzision in Betracht ziehen.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.