YOLOv5 vs. YOLOv6-3.0
Das Feld der Computer Vision entwickelt sich ständig weiter, und neue Architekturen verschieben die Grenzen von Geschwindigkeit und Genauigkeit. Bei der Wahl eines Modells für dein nächstes KI-Projekt vergleichen Entwickler häufig etablierte, vielseitige Frameworks mit hochspezialisierten Industriedetektoren. Dieser Vergleich beleuchtet die technischen Unterschiede zwischen Ultralytics YOLOv5 und Meituan YOLOv6-3.0, damit du das passende Tool für deine Bereitstellungsanforderungen auswählen kannst.
Einführung in die Modelle#
Ultralytics YOLOv5: Der vielseitige Standard#
Ultralytics YOLOv5 wurde 2020 veröffentlicht und entwickelte sich rasch zu einer weit verbreiteten Lösung für zugängliche, leistungsstarke Objekterkennung. Das Modell ist für seine Benutzerfreundlichkeit, robusten Trainingspipelines und umfangreichen Integrationen für die Bereitstellung bekannt.
- Autor: Glenn Jocher
- Organisation: Ultralytics
- Datum: 2020-06-26
- GitHub: ultralytics/yolov5
YOLOv5 wurde von Grund auf entwickelt, um eine unkomplizierte Entwicklererfahrung im PyTorch-Ökosystem zu bieten. Das Modell bietet eine ausgewogene Leistung: Es erzielt eine hohe mittlere Average Precision (mAP) und behält zugleich eine hohe Inferenzgeschwindigkeit bei. Dadurch eignet es sich für vielfältige Bereitstellungsszenarien in der Praxis, von Edge-Geräten bis zu Cloud-Servern.
YOLOv6-3.0: Durchsatz für industrielle Anwendungen#
YOLOv6-3.0 wurde von der Vision-AI-Abteilung bei Meituan entwickelt und ist speziell auf industrielle Anwendungen zugeschnitten. Dabei liegt der Schwerpunkt auf einem möglichst hohen Durchsatz mit dedizierten Hardwarebeschleunigern.
- Autoren: Chuyi Li, Lulu Li, Yifei Geng et al.
- Organisation: Meituan
- Datum: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
YOLOv6 zielt darauf ab, die Verarbeitungsgeschwindigkeit auf GPUs wie der NVIDIA T4 zu maximieren. Für diese Leistung nutzt das Modell spezielle Quantisierungsmethoden und Backbones. Dadurch eignet es sich besonders für die Verarbeitung auf Backend-Servern, wo häufig Batches inferiert werden.
Architektonische Unterschiede#
Es ist wichtig, die architektonischen Entscheidungen hinter diesen Modellen zu verstehen, um ihre idealen Anwendungsfälle zu bestimmen.
Die YOLOv5-Architektur#
YOLOv5 nutzt ein stark optimiertes CSPDarknet-Backbone in Verbindung mit einem Path Aggregation Network (PANet) als Neck. Diese Struktur ist genau darauf abgestimmt, den Speicherbedarf beim Training und bei der Inferenz möglichst gering zu halten. Anders als große Transformer-Modelle, die viel CUDA-Speicher und lange Trainingszeiten erfordern, läuft YOLOv5 effizient auf handelsüblicher Hardware.
Ultralytics-Modelle sind gezielt auf effizientes Training ausgelegt. Häufig kannst du ein YOLOv5-Modell auf einer einzelnen GPU der mittleren Leistungsklasse trainieren, wodurch es sowohl für Forschende als auch für Start-ups leicht zugänglich ist.
YOLOv5 ist mehr als ein Objektdetektor: Das ursprüngliche YOLOv5-Repository erweitert die Architektur um Instanzsegmentierung und Bildklassifizierung.
Die YOLOv6-3.0-Architektur#
YOLOv6-3.0 verfügt über ein EfficientRep-Backbone, das besonders für die GPU-Ausführung hardwarefreundlich konzipiert ist. Im Neck kommt ein Bi-direktionales Konkatenationsmodul (BiC) zum Einsatz, um die Merkmalsfusion zu verbessern.
Während des Trainings nutzt YOLOv6 eine Anchor-Aided-Training-Strategie (AAT), um die Konvergenz zu stabilisieren. Bei der Inferenz bleibt das Modell jedoch ein anchorfreier Detektor. Diese Architektur eignet sich hervorragend für GPU-beschleunigte Aufgaben, lässt sich aber mitunter schwieriger an verschiedene Edge-Geräte anpassen als das hochgradig portable YOLOv5-Framework.
Leistungsanalyse#
Bei der Bewertung dieser Modelle sind die Kennzahlen für Geschwindigkeit und Genauigkeit entscheidend. Die folgende Vergleichstabelle zeigt die Leistung verschiedener Modellgrößen auf dem COCO-Datensatz.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0 erzielt bei jeder vergleichbaren Modellgröße einen höheren mAP-Wert, YOLOv5 benötigt jedoch weniger Ressourcen. Beispielsweise kommt YOLOv5n mit deutlich weniger Parametern und FLOPs aus als das entsprechende YOLOv6-Modell. Dadurch eignet es sich gut für mobile Geräte und CPU-basierte Bereitstellungen.
Ökosystem und Benutzerfreundlichkeit#
Für viele Entwicklungsteams ist das Ökosystem rund um das Modell der entscheidende Faktor.
YOLOv6 ist ein leistungsfähiges Forschungs-Repository, doch die Bereitstellung in verschiedenen Formaten erfordert mehr manuelle Arbeit. Ultralytics bietet dagegen ein gut gepflegtes Ökosystem mit einer optimierten Nutzererfahrung. Über die einheitliche Python-API und die intuitive Ultralytics Platform erhalten Entwickler Zugriff auf die Datensatzverwaltung, Training mit einem Klick und den direkten Export in Formate wie ONNX und TensorRT.
Codebeispiel: Einheitliche Ultralytics-API#
Mit dem Ultralytics-Paket ultralytics für pip kannst du Modelle mit nur wenigen Codezeilen laden, trainieren und bereitstellen.
from ultralytics import YOLO
# Ein vortrainiertes kleines YOLOv5-Modell laden
model = YOLO("yolov5su.pt") # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket
# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Schnelle Inferenz auf einem Bild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg")
# Für die Bereitstellung am Edge nach ONNX exportieren
model.export(format="onnx")Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv5 und YOLOv6 hängt von den spezifischen Anforderungen deines Projekts, 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 YOLOv6 wählen solltest#
YOLOv6 empfiehlt sich für:
- Bereitstellung auf industrielle Hardware: Szenarien, in denen das hardwarebewusste Design und die effiziente Reparametrisierung des Modells eine optimierte Leistung auf bestimmter Zielhardware ermöglichen.
- Schnelle einstufige Erkennung: Anwendungen, bei denen die reine Inferenzgeschwindigkeit auf der GPU für die Echtzeit-Videoverarbeitung in kontrollierten Umgebungen entscheidend ist.
- Integration in das Meituan-Ökosystem: Teams, die bereits mit dem Technologie-Stack und der Bereitstellungsinfrastruktur von Meituan arbeiten.
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.
Der nächste Schritt: Die Vorteile von YOLO26#
YOLOv5 bleibt ein zuverlässiges Arbeitstier, und YOLOv6-3.0 bietet einen hohen GPU-Durchsatz für industrielle Anwendungen. Der aktuelle Stand der Technik hat sich jedoch weiterentwickelt. Für Entwickler, die heute neue Projekte beginnen, empfiehlt sich Ultralytics YOLO26.
Das im Januar 2026 veröffentlichte YOLO26 ist ein bedeutender Fortschritt. Es übernimmt die Vielseitigkeit des Ultralytics-Ökosystems und bietet mehrere architektonische Verbesserungen:
- End-to-End-Design ohne NMS: Der optionale NMS-freie Kopf von YOLO26 (
nms=False) entfernt die Nachbearbeitung durch Non-Maximum Suppression, verringert Latenzschwankungen und vereinfacht die Bereitstellungslogik. - Bis zu 43 % schnellere CPU-Inferenz: Durch das Entfernen von DFL und einen leichteren Kopf läuft YOLO26n auf der CPU bis zu 43 % schneller als YOLO11n. Das ist vorteilhaft für Edge-Geräte und Geräte mit geringem Stromverbrauch.
- MuSGD-Optimierer: Der neue MuSGD-Optimierer nutzt Innovationen beim Training großer Sprachmodelle (LLMs) und ermöglicht ein stabiles Training sowie eine schnellere Konvergenz.
- Erweiterte Vielseitigkeit: YOLO26 unterstützt Instanz- und semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB) mit aufgabenspezifischen Köpfen und Verlustfunktionen. ProgLoss und STAL verbessern außerdem die Erkennung kleiner Objekte.
Wenn du weitere Optionen im Ultralytics-Ökosystem erkundest, kommen auch das vielseitig einsetzbare YOLO11 oder YOLO-World für Erkennungsaufgaben mit offenem Vokabular infrage.
Fazit#
YOLOv5 und YOLOv6-3.0 haben das Feld der Computer Vision maßgeblich geprägt. YOLOv6-3.0 bietet einen hervorragenden Durchsatz auf leistungsstarker Serverhardware und eignet sich damit für spezialisierte Offline-Analysen. YOLOv5 bleibt jedoch eine starke Wahl für Entwickler, die ein robustes, benutzerfreundliches und vielseitiges Modell aus dem Ultralytics-Ökosystem benötigen.
Für die beste Balance aus Genauigkeit, optionaler NMS-freier Bereitstellung und Entwicklerfreundlichkeit empfiehlt sich ein Upgrade auf YOLO26 über die Ultralytics Platform als Grundlage für moderne KI-Lösungen im Bereich Computer Vision.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.