Erste Schritte

YOLOv5 vs. YOLOv7

Die Entwicklung im Bereich Computer Vision ist in den vergangenen Jahren rasant vorangeschritten, angetrieben durch den Bedarf an schnellerer und genauerer Echtzeit-Objekterkennung. Bei der Wahl der passenden Architektur für dein Projekt ist es wichtig, die Unterschiede zwischen beliebten Modellen wie Ultralytics YOLOv5 und YOLOv7 zu kennen. Dieser technische Vergleich behandelt ihre Architekturen, Trainingsmethoden, Leistungskennzahlen und idealen Einsatzszenarien, damit du eine fundierte Entscheidung treffen kannst.

Auf einen Blick: Ursprünge der Modelle#

Wenn du die Ursprünge und Designphilosophien dieser Modelle verstehst, kannst du ihre Architekturentscheidungen besser einordnen.

YOLOv5-Details:

Details zu YOLOv7:

Mehr über YOLOv7 erfahren

Weitere Architekturen entdecken

Du möchtest wissen, wie diese Modelle im Vergleich zu anderen abschneiden? Sieh dir Vergleiche wie YOLOv5 vs YOLO11 oder YOLOv7 vs EfficientDet an, um dein Verständnis des Ökosystems für Objekterkennung zu vertiefen.

Architektonische Innovationen und Unterschiede#

YOLOv5: Der zugängliche Standard#

YOLOv5 wurde 2020 von Ultralytics vorgestellt und basiert nativ auf dem PyTorch-Framework. Dadurch wurde der Einstieg für Forschende und Entwickler deutlich einfacher. Seine Architektur beruht auf einem modifizierten CSPDarknet53-Backbone, das Cross-Stage-Partial-Netzwerke (CSP) integriert, um die Parameteranzahl zu senken und zugleich den Gradientenfluss aufrechtzuerhalten.

Eine der größten Stärken ist der geringe Speicherbedarf. Im Vergleich zu älteren zweistufigen Detektoren oder großen Transformer-Modellen wie RT-DETR benötigt YOLOv5 beim Training deutlich weniger CUDA-Speicher. Dadurch sind größere Batchgrößen auf gewöhnlichen GPUs für Endverbraucher möglich. Das Modell bietet außerdem Vielseitigkeit: Das ursprüngliche YOLOv5-Repository unterstützt Objekterkennung, Instanzsegmentierung und Bildklassifizierung.

YOLOv7: Die Grenzen der Echtzeitgenauigkeit verschieben#

YOLOv7 wurde Mitte 2022 veröffentlicht. Der Schwerpunkt lag darauf, die Genauigkeit für Echtzeit-Objekterkennung auf den MS-COCO-Benchmarks weiter zu verbessern. Die Autoren führten das Extended Efficient Layer Aggregation Network (E-ELAN) ein, das die Lernfähigkeit des Netzwerks verbessert, ohne den ursprünglichen Gradientenpfad zu beeinträchtigen.

YOLOv7 ist auch für seinen „trainierbaren Beutel kostenloser Vorteile“ bekannt. Dazu gehören insbesondere Reparametrisierungstechniken, die beim Training mehrere Module für die Inferenz in eine einzelne Faltungsschicht umwandeln und so die Geschwindigkeit erhöhen, ohne die Genauigkeit zu beeinträchtigen. Diese komplexe Trainingsmethode führt jedoch oft zu einer steileren Lernkurve und weniger unkomplizierten Exportpipelines als das native Ultralytics-Ökosystem.

Leistungsvergleich#

Bei der Bewertung dieser Modelle ist die Leistungsbalance zwischen Geschwindigkeit, Genauigkeit und Rechenkosten entscheidend. Im Folgenden findest du einen detaillierten Vergleich ihrer Leistungskennzahlen auf Grundlage des MS-COCO-Datensatzes val2017.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLOv7 erzielt bei größeren Varianten zwar höhere absolute mAP-Werte, YOLOv5 bietet jedoch eine größere Auswahl an Modellgrößen – vom leichten Nano-Modell (YOLOv5n) für Edge-Geräte bis zum Extra-Large-Modell (YOLOv5x) für die Cloud-Inferenz.

Die Vorteile des Ultralytics-Ökosystems#

Der Nutzen eines Modells hängt nicht nur von seiner Architektur ab. Das umgebende Ökosystem bestimmt, wie schnell sich das Modell in die Produktion überführen lässt. Hier glänzen die Ultralytics-Modelle.

  • Benutzerfreundlichkeit: Die Ultralytics Platform und ihre einheitliche Python-API bieten eine optimierte Nutzererfahrung, eine einfache Syntax und umfassende Dokumentation. Für das Training auf einem benutzerdefinierten Datensatz ist nur wenig Boilerplate-Code erforderlich.
  • Gut gepflegtes Ökosystem: Ultralytics profitiert von aktiver Weiterentwicklung, häufigen Aktualisierungen und starker Unterstützung durch die Community. Integrationen mit Tools wie Comet und Weights & Biases sind bereits enthalten.
  • Trainingseffizienz: Datenlader, intelligentes Caching und Unterstützung für mehrere GPUs machen Ultralytics-Modelle effizient trainierbar. Verfügbare vortrainierte Gewichte beschleunigen das Transfer Learning.

Codebeispiel: Erste Schritte#

Mit Ultralytics lässt sich ein Modell mit nur wenigen Codezeilen bereitstellen. Das folgende Python-Beispiel zeigt, wie einfach es ist, das empfohlene Paket ultralytics zu laden, ein Modell zu trainieren und Inferenz auszuführen.

from ultralytics import YOLO

# Ein vortrainiertes YOLOv5s-Modell laden
model = YOLO("yolov5su.pt")  # YOLOv5u: ankerfreie YOLOv5-Gewichte für das ultralytics-Paket

# Trainiere das Modell mit dem Beispieldatensatz COCO8
# Ultralytics übernimmt das Herunterladen und die Erweiterung der Daten automatisch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Inferenz mit einem Beispielbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg")

# Die Vorhersagen anzeigen
predictions[0].show()

Die Verwendung des ursprünglichen YOLOv7-Repositorys erfordert dagegen meist das Klonen komplexer Repositorys, die manuelle Verwaltung von Abhängigkeiten und lange Befehlszeilenargumente.

Anwendungen in der Praxis und ideale Einsatzbereiche#

Wann du YOLOv7 wählen solltest#

YOLOv7 eignet sich weiterhin für akademische Benchmarks oder spezielle GPU-Pipelines älterer Systeme, bei denen der höchstmögliche mAP-Wert das einzige Ziel ist und das System bereits auf die anchor-basierten Ausgabetensoren zugeschnitten ist. Forschende, die Gradientenpfade analysieren, verwenden YOLOv7 häufig als Basismodell.

Wann du YOLOv5 wählen solltest#

YOLOv5 ist aufgrund seiner Stabilität in Produktionsumgebungen weit verbreitet. Es ist die erste Wahl für:

  • Mobilgeräte und Edge-Computing: YOLOv5n lässt sich über CoreML auf iOS oder über LiteRT auf Android bereitstellen.
  • Agile Start-ups: Teams, die schnelle Iterationszyklen benötigen, profitieren von der Integration der Ultralytics Platform für die Datensatzverwaltung und das Cloud-Training.
  • Umgebungen mit mehreren Aufgaben: Systeme, die Objekterkennung, Segmentierung und Klassifizierung kombinieren.

Die Zukunft: der Wechsel zu YOLO26#

Der Vergleich von YOLOv5 und YOLOv7 bietet zwar einen guten Einblick in die Entwicklung der Bildverarbeitungs-KI, doch der aktuelle Stand der Technik hat sich weiterentwickelt. Das im Januar 2026 veröffentlichte Ultralytics YOLO26 ist der empfohlene Ausgangspunkt für neue Projekte.

YOLO26 bietet gegenüber YOLOv5 und YOLOv7 mehrere Vorteile:

  • End-to-End-Design ohne NMS: Durch das optionale Überspringen der Nachbearbeitung mit Non-Maximum Suppression (nms=False) ermöglicht YOLO26 eine einfachere Bereitstellung und gleichmäßigere Latenz.
  • MuSGD-Optimierer: Inspiriert von Innovationen bei großen Sprachmodellen (LLMs) von Moonshot AI sorgt dieser hybride Optimierer für stabiles Training und schnellere Konvergenz.
  • Schnellere Edge-Inferenz: YOLO26n ist für Edge-Umgebungen optimiert und läuft auf der CPU bis zu 43 % schneller als YOLO11n. Dazu trägt auch das Entfernen von Distribution Focal Loss (DFL) bei.
  • Höhere Genauigkeit: Neue Trainingstechniken wie ProgLoss + STAL verbessern die Erkennung kleiner Objekte, was bei Drohnenaufnahmen und in der Robotik hilfreich ist.

Ob du eine bestehende YOLOv5-Pipeline wartest oder YOLO26 einsetzt: Die Ultralytics Platform bietet Tools für Annotation, Training und Bereitstellung.

Mitwirkende

Kommentare

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