Erste Schritte

YOLOv5 vs. YOLOv8

Bei der Entwicklung skalierbarer und effizienter Computer-Vision-Anwendungen ist die Wahl der passenden Architektur entscheidend. Das Ultralytics-Ökosystem hat Geschwindigkeit und Genauigkeit kontinuierlich verbessert und bietet Entwicklern robuste Tools für den Einsatz in der Praxis. Dieser technische Vergleich beleuchtet die Unterschiede zwischen YOLOv5 und YOLOv8, ihre Architekturen, Leistungskompromisse und idealen Anwendungsfälle, damit du für dein nächstes KI-Projekt eine fundierte Entscheidung treffen kannst.

Beide Modelle sind wichtige Meilensteine in der Geschichte der Echtzeit-Objekterkennung. Beide profitieren außerdem vom geringen Speicherbedarf und der Benutzerfreundlichkeit, die das Ultralytics-Ökosystem auszeichnen.

YOLOv5: Der zuverlässige Industriestandard#

YOLOv5 wurde 2020 vorgestellt und entwickelte sich rasch zu einem weit verbreiteten Standard für schnelle, zugängliche und zuverlässige Objekterkennung. Dank einer nativen PyTorch-Implementierung vereinfachte das Modell den gesamten Trainings- und Bereitstellungsprozess für Entwickler weltweit.

Architektonische Stärken#

YOLOv5 nutzt eine anchor-basierte Erkennungsmethode, bei der vordefinierte Ankerboxen die Objektgrenzen vorhersagen. Die Architektur umfasst ein Cross-Stage-Partial-Netzwerk (CSP) als Backbone, das den Gradientenfluss optimiert und redundante Berechnungen reduziert. Das Ergebnis ist ein geringer Speicherbedarf, der schnelles Training selbst auf gewöhnlichen GPUs für Endverbraucher ermöglicht.

Ideale Anwendungsfälle#

YOLOv5 eignet sich für Projekte, bei denen maximaler Durchsatz und minimaler Ressourcenverbrauch wichtig sind. Das Modell überzeugt in Edge-KI-Umgebungen, etwa bei der Bereitstellung auf Raspberry Pi oder Mobilgeräten. Dank seiner langen Einsatzgeschichte hat es sich in Tausenden kommerziellen Bereitstellungen bewährt und bietet zuverlässiges Verhalten bei herkömmlichen Arbeitsabläufen zur Objekterkennung.

Vorteile bei der Bereitstellung auf älteren Systemen

Dank der weiten Verbreitung bietet YOLOv5 stabile, umfassend getestete Exportpfade zu Bereitstellungs-Frameworks wie TensorRT und ONNX. Das vereinfacht die Integration in ältere Technologie-Stacks.

YOLOv8: Das einheitliche Framework für Bildverarbeitung#

YOLOv8 wurde im Januar 2023 veröffentlicht und stellte einen grundlegenden Architekturwandel dar: Aus einem spezialisierten Objektdetektor wurde ein vielseitiges Framework für mehrere Bildverarbeitungsaufgaben.

Architektonische Innovationen#

Anders als sein Vorgänger verfügt YOLOv8 über einen anchor-freien Erkennungskopf. Dadurch müssen Ankerkonfigurationen nicht mehr manuell anhand der Verteilung im Datensatz angepasst werden. Das verbessert die Verallgemeinerungsfähigkeit über verschiedene Datensätze hinweg – vom beliebten COCO-Datensatz bis hin zu vielfältigen benutzerdefinierten Daten.

Die Architektur verbessert außerdem das Backbone durch ein C2f-Modul (Cross-Stage-Partial-Engpass mit zwei Faltungen), das das ältere C3-Modul ersetzt. Diese Änderung verbessert die Merkmalsdarstellung, ohne den Speicher stark zu beanspruchen. Zusätzlich verbessert ein entkoppelter Kopf, der Klassifizierungs- und Regressionsaufgaben trennt, die Konvergenz beim Modelltraining.

Vielseitigkeit und Python API#

YOLOv8 führte die moderne Python-API ultralytics ein, die den Arbeitsablauf für verschiedene Computer-Vision-Aufgaben vereinheitlicht. Ob du Instanzsegmentierung, Bildklassifizierung oder Posenschätzung durchführst: Die einheitliche API erfordert nur geringfügige Konfigurationsänderungen.

from ultralytics import YOLO

# Ein vortrainiertes YOLOv8-Modell laden
model = YOLO("yolov8n.pt")

# Mit integrierter Speichereffizienz auf einem benutzerdefinierten Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Inferenz ausführen und Ergebnisse einfach auswerten
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Detaillierter Leistungsvergleich#

Beim Vergleich der beiden Generationen zeigt sich ein klassischer Zielkonflikt: YOLOv8 erzielt durchweg eine höhere mittlere Average Precision (mAP), während YOLOv5 bei den kleinsten Varianten eine höhere absolute Inferenzgeschwindigkeit und weniger Parameter bietet.

Unten findest du einen detaillierten Vergleich ihrer Leistungskennzahlen auf dem COCO-Datensatz bei einer Bildgröße von 640 Pixeln.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Die Daten zeigen, dass YOLOv8 die Genauigkeit deutlich steigert. So erreicht YOLOv8s beispielsweise einen mAP-Wert von 44,9, verglichen mit 37,4 bei YOLOv5s – ein Plus von 7,5 Punkten, das bei dicht bevölkerten Szenen und kleinen Objekten hilft. Für stark eingeschränkte Umgebungen bleibt YOLOv5n jedoch die effizienteste Option, da es die geringste Parameteranzahl und die wenigsten FLOPs aufweist.

Speicheranforderungen

Beide Modelle sind im Vergleich zu umfangreicheren Architekturen wie Transformer-Modellen für einen geringeren CUDA-Speicherbedarf beim Training optimiert. Dadurch können Entwickler größere Stapelgrößen auf herkömmlichen GPUs verwenden und die Forschung schneller vorantreiben.

Die Vorteile des Ökosystems#

Mit YOLOv5 und YOLOv8 erhalten Entwickler Zugriff auf die gut gepflegte Ultralytics Platform. Diese integrierte Umgebung bietet einfache Werkzeuge zur Annotation von Datensätzen, zum Cloud-Training und zur Modellüberwachung. Das Paket ultralytics ergänzt integrierte Funktionen zur Hyperparameteroptimierung. Dank der kontinuierlichen Weiterentwicklung und der starken Unterstützung durch die Community können Entwickler Probleme schnell beheben und externe Tools wie Weights & Biases und ClearML integrieren.

Andere Frameworks können eine steilere Lernkurve haben. Ultralytics setzt dagegen auf eine optimierte Nutzererfahrung und bietet ein günstiges Verhältnis zwischen Geschwindigkeit und Genauigkeit für vielfältige Einsatzszenarien in der Praxis.

Über v8 hinaus: YOLO11 und YOLO26 entdecken#

YOLOv8 ist ein leistungsfähiges Framework, doch das Feld der künstlichen Intelligenz entwickelt sich rasant weiter. Entwickler, die sich für modernste Leistung interessieren, sollten auch YOLO11 ausprobieren. Es baut auf v8 auf und verbessert Genauigkeit und Geschwindigkeit.

Für neue Projekte empfiehlt Ultralytics Ultralytics YOLO26. YOLO26 wurde im Januar 2026 veröffentlicht und bietet mehrere Verbesserungen:

  • End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, entfernt der optionale One-to-One-Kopf von YOLO26 (nms=False) die Nachverarbeitung mit Nicht-Maximum-Unterdrückung und ermöglicht dadurch einfachere und schnellere Bereitstellungspipelines.
  • MuSGD-Optimierer: Inspiriert von den Trainingsinnovationen großer Sprachmodelle (LLMs), wie sie in Modellen wie Kimi K2 zum Einsatz kommen, verwendet YOLO26 einen hybriden Optimierer für stabileres Training und schnellere Konvergenz.
  • Edge Computing: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n. Damit eignet sich YOLO26 gut für Geräte ohne dedizierte GPUs.
  • Höhere Genauigkeit: Der neue progressive Verlust und die label assignment, die kleine Objekte berücksichtigt (ProgLoss + STAL), verbessern die Erkennung kleiner Objekte. Das ist entscheidend für Robotik und Luftbilder von Drohnen.

Ob du ein bestehendes System mit YOLOv5 wartest, eine vielseitige Anwendung mit YOLOv8 skalierst oder YOLO26 für neue Projekte einsetzt: Das Ultralytics-Ökosystem bietet die nötigen Tools, um moderne Bildverarbeitungs-KI zu trainieren, bereitzustellen und zu warten.

Kommentare1

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

  1. EllaSophiaGitHub(bearbeitet)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.