Erste Schritte

YOLOv6-3.0 und YOLOv10

Mit der Weiterentwicklung von Computer Vision ist die Wahl eines optimalen Modells zu einer wichtigen Entscheidung für Entwickler und Ingenieure im Bereich maschinelles Lernen geworden. Bei der Betrachtung der Entwicklung der Objekterkennung und der Ultralytics-YOLO-Modelle ist es wichtig, die Kompromisse zwischen verschiedenen Architekturansätzen zu verstehen. Dieser Leitfaden vergleicht YOLOv6-3.0 und YOLOv10 umfassend aus technischer Sicht – zwei Modelle mit unterschiedlichen Vorteilen für industrielle und Edge-Bereitstellungen.

YOLOv6-3.0 im Detail: Entwickelt für industriellen Durchsatz#

YOLOv6-3.0 wurde für maximalen Durchsatz in industriellen Serveranwendungen entwickelt und priorisiert schnelle Inferenz auf Hardwarebeschleunigern, insbesondere GPUs. Mithilfe eines optimierten Backbones soll das Modell ein Gleichgewicht zwischen schneller Videoverarbeitung und wettbewerbsfähiger Genauigkeit erreichen.

Architekturmerkmale#

Das Kernstück von YOLOv6-3.0 ist sein hardwarefreundliches Design. In die Neck-Architektur ist ein Modul zur bidirektionalen Konkatenation (BiC) integriert, das die Fusion von Merkmalen über mehrere Maßstäbe verbessert. Zusätzlich nutzt das Netzwerk eine Strategie für das Training mit Ankerunterstützung (AAT), die während des Trainings die Stabilität von ankerbasierten Detektoren mit der Inferenzgeschwindigkeit eines ankerfreien Ansatzes verbindet.

Dank seines EfficientRep-Backbones eignet sich das Modell für anspruchsvolle Aufgaben der Fertigungsautomatisierung, bei denen die Batch-Verarbeitung auf leistungsstarker NVIDIA-Hardware (etwa T4- oder A100-GPUs) üblich ist. In Serverclustern liefert das Modell gute Leistung. Seine Abhängigkeit von bestimmten Hardwareoptimierungen kann es jedoch auf stromsparenden Edge-CPUs weniger effizient machen.

Mehr über YOLOv6 erfahren

YOLOv10 im Detail: NMS-freie Echtzeit-Erkennung#

YOLOv10 wurde mehr als ein Jahr später eingeführt und behebt einen der hartnäckigsten Engpässe herkömmlicher Erkennungspipelines: die Nachverarbeitung durch Nichtmaxima-Unterdrückung (NMS).

Architekturmerkmale#

Der wichtigste Beitrag von YOLOv10 ist sein End-to-End-Design ohne NMS. Durch konsistente duale Zuweisungen während des Trainings lernt der One-to-One-Head, pro Objekt einen einzelnen hochwertigen Begrenzungsrahmen zu erzeugen. Dadurch entfallen bei der Inferenz heuristikbasierte NMS-Schritte (setze in Ultralytics nms=False, um diesen Head zu verwenden). Das verringert die Inferenzlatenz von Anfang bis Ende und vereinfacht die Bereitstellung auf Edge-Geräten wie neuronalen Verarbeitungseinheiten (NPUs).

Darüber hinaus verfolgt das Modell einen ganzheitlichen Ansatz, der Effizienz und Genauigkeit in Einklang bringt. Durch die Optimierung verschiedener Komponenten verringert YOLOv10 redundante Berechnungen. Dadurch eignet sich das Modell besonders für Umgebungen mit begrenzten Ressourcen, darunter autonome Fahrzeuge und Edge-Robotik.

Mehr über YOLOv10 erfahren

Detaillierter Leistungsvergleich#

Beim Benchmarking dieser Modelle wird die Leistung üblicherweise anhand von Genauigkeit, Geschwindigkeit und Parametereffizienz gemessen. Die folgende Tabelle zeigt, wie die verschiedenen Größen dieser Architekturen abschneiden.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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

Analyse#

YOLOv10 erreicht bei jeder vergleichbaren Größe eine höhere mittlere durchschnittliche Präzision (mAP) als YOLOv6-3.0. So erzielt YOLOv10n beispielsweise einen mAP von 38,5 % mit nur 2,3 Millionen Parametern, während YOLOv6-3.0n mit mehr als doppelt so vielen Parametern auf 37,5 % kommt. Auf einer T4-GPU erreicht YOLOv6-3.0n jedoch eine kürzere reine TensorRT-Inferenzlatenz (1,17 ms), was seine Optimierung für Hardware zur Parallelverarbeitung widerspiegelt.

Überlegungen zur Bereitstellung

Bei GPU-Mikrobenchmarks können reine Latenzwerte leicht für YOLOv6 sprechen. Dank seiner Architektur ohne NMS erzielt YOLOv10 in der Praxis jedoch oft höhere Geschwindigkeiten bei der gesamten End-to-End-Pipeline – besonders auf Edge-Hardware, wo die Nachverarbeitung die CPU ausbremsen kann.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv6 und YOLOv10 hängt von den konkreten Anforderungen deines Projekts, den Bereitstellungsbeschränkungen und den Präferenzen für das Ökosystem ab.

Wann du YOLOv6 wählen solltest#

YOLOv6 ist eine gute Wahl 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 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.

Der Vorteil von Ultralytics: Warum du YOLO26 wählen solltest#

YOLOv6-3.0 und YOLOv10 bieten solide Basisarchitekturen. Moderne Produktionsumgebungen erfordern jedoch Modelle, die hohe Genauigkeit mit Benutzerfreundlichkeit verbinden. Hier setzt Ultralytics YOLO26 an und verbessert eigenständige akademische Veröffentlichungen.

YOLO26 wurde im Januar 2026 veröffentlicht und baut auf Innovationen früherer Modelle in einem aktiv gepflegten Ökosystem auf.

Wichtige Neuerungen in YOLO26#

  • End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, überspringt der optionale One-to-One-Kopf von YOLO26 (nms=False) die NMS-Nachverarbeitung. Das führt zu gleichmäßigeren und besser vorhersehbaren Inferenzzeiten, die sich einfacher in die Produktion überführen lassen.
  • MuSGD-Optimierer: Dieser von Optimierungen für große Sprachmodelle inspirierte Hybrid aus SGD und Muon (wie etwa Moonshot AIs Kimi K2) sorgt für stabiles Training und schnellere Konvergenz.
  • Bis zu 43 % schnellere CPU-Inferenz: Architekturvereinfachungen ermöglichen es YOLO26n, auf der CPU bis zu 43 % schneller als YOLO11n zu laufen. Das ist bei der Bereitstellung auf IoT-Chips und CPUs für Endverbraucher von Vorteil.
  • Entfernung von DFL: Der Wegfall von Distribution Focal Loss vereinfacht den Export des Heads und verbessert die Kompatibilität mit stromsparenden Bereitstellungsmodulen wie OpenVINO oder NCNN.
  • ProgLoss + STAL: Der progressive Loss und die zielgrößenbewusste Label-Zuweisung verbessern die Erkennung kleiner Objekte. Das ist entscheidend für den Betrieb unbemannter Flugdrohnen und die Verfolgung weit entfernter Objekte.

Anders als auf einzelne Aufgaben beschränkte Repositories unterstützt das Ultralytics-Ökosystem standardmäßig zahlreiche Computer-Vision-Aufgaben, darunter Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB).

Trainingseffizienz und Speicheroptimierung#

Ein entscheidender Vorteil der Ultralytics-YOLO-Modelle gegenüber komplexen Transformer-basierten Architekturen wie RT-DETR ist ihr geringerer CUDA-Speicherverbrauch beim Training. Entwickler können YOLO26 auf einer GPU für Endverbraucher oder über kostenlose Cloud-Ressourcen feinabstimmen.

Codebeispiel: Erste Schritte mit YOLO26#

Mit der Ultralytics-Python-API kannst du Modelle mit nur wenigen Codezeilen laden, trainieren und testen.

from ultralytics import YOLO

# Das YOLO26-Nano-Modell initialisieren
model = YOLO("yolo26n.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Die Modellleistung anhand von Validierungsdaten bewerten
metrics = model.val()

# Echtzeit-Inferenz ohne NMS auf einem Zielbild ausführen
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Für die plattformübergreifende Bereitstellung in das ONNX-Format exportieren
model.export(format="onnx")

Fazit und weitere Optionen#

Bei der Wahl zwischen YOLOv6-3.0 und YOLOv10 kommt es auf die Bereitstellungsumgebung an. YOLOv6-3.0 eignet sich weiterhin für Server-Backends mit hohem Durchsatz und leistungsstarken GPUs, die auf die Stapelverarbeitung von Videos ausgerichtet sind. YOLOv10 bietet eine Architektur ohne NMS, die sich besser für ein ausgewogenes Verhältnis von Genauigkeit und komplexe Edge-Integration eignet.

Für Entwickler, die hohe Leistung mit umfassender Dokumentation, Cloud-Protokollierung über die Ultralytics Platform und vielseitiger Unterstützung mehrerer Aufgaben verbinden möchten, ist YOLO26 jedoch die empfohlene Wahl.

Für Anforderungen an ältere Infrastruktur können Teams auch die vorherige Generation Ultralytics YOLO11 in Betracht ziehen oder YOLO-World für die Erkennung mit offenem Vokabular erkunden.

Kommentare

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