Erste Schritte

YOLOv6-3.0 im Vergleich zu YOLOv7

Die Entwicklung der Echtzeit-Objekterkennung ist von rasanten Fortschritten bei Architektureffizienz und Trainingsmethoden geprägt. Zwei bedeutende Modelle, die das Feld beeinflusst haben, sind YOLOv6-3.0 und YOLOv7. Beide Frameworks führten neue Techniken ein, um Inferenzgeschwindigkeit und Erkennungsgenauigkeit auszubalancieren, und richten sich an Einsatzszenarien von leistungsstarken Server-GPUs bis hin zu Edge-Geräten.

Dieser technische Vergleich beleuchtet ihre Architekturen, Leistungskennzahlen und idealen Anwendungsfälle. Außerdem wird gezeigt, wie die Ultralytics Platform und das neueste Modell YOLO26 auf diesen Konzepten aufbauen und die Arbeit für Entwickler vereinfachen.

YOLOv6-3.0: Optimierung für industriellen Durchsatz#

YOLOv6-3.0 wurde von der Vision-AI-Abteilung bei Meituan entwickelt und gezielt für industrielle Anwendungen mit hohem Durchsatz konzipiert. Das Modell konzentriert sich auf maximale Leistung mit Hardwarebeschleunigern und eignet sich daher besonders für Umgebungen, in denen Stapelverarbeitung auf dedizierten GPUs möglich ist.

  • Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu und Xiangxiang Chu
  • Organisation: Meituan
  • Datum: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

Architektonische Innovationen#

YOLOv6-3.0 basiert auf einem EfficientRep-Backbone, einer hardwarefreundlichen Architektur, die den Speicherzugriff auf GPUs optimiert. Zur Verbesserung der Merkmalsfusion über verschiedene Maßstäbe hinweg verwendet das Modell ein Modul für bidirektionale Konkatenation (BiC) im Neck. So kann das Netzwerk komplexe räumliche Hierarchien besser erfassen als frühere Versionen.

Außerdem verwendet YOLOv6-3.0 eine Strategie für ankerunterstütztes Training (AAT). Dieser Ansatz kombiniert die aussagekräftigen Gradientensignale des ankerbasierten Trainings mit den Vorteilen der vereinfachten Bereitstellung durch ankerfreie Inferenz. So konvergiert das Modell stabiler, ohne bei der Geschwindigkeit der Nachverarbeitung Abstriche zu machen.

Mehr über YOLOv6 erfahren

Hardwareüberlegungen

YOLOv6-3.0 überzeugt zwar auf Server-GPUs wie der NVIDIA T4, doch die starke Abhängigkeit von bestimmten strukturellen Reparametrisierungen kann auf Edge-Geräten, die ausschließlich auf die CPU angewiesen sind, im Vergleich zu neueren Architekturen gelegentlich zu ungünstiger Latenz führen.

YOLOv7: Wegbereiter der Bag-of-Freebies#

YOLOv7 wurde von Forschern an der Academia Sinica veröffentlicht und verfolgt einen anderen Ansatz: Im Mittelpunkt stehen die Analyse von Gradientenpfaden und Optimierungen während des Trainings, die den Inferenzaufwand nicht erhöhen. Die Autoren bezeichnen dieses Konzept als „trainierbaren Sack voller Gratiszugaben“.

  • Autoren: Chien-Yao Wang, Alexey Bochkovskiy und Hong-Yuan Mark Liao
  • Organisation: Institute of Information Science, Academia Sinica, Taiwan
  • Datum: 2022-07-06
  • arXiv: 2207.02696
  • GitHub: WongKinYiu/yolov7

Architektonische Innovationen#

Das Herzstück von YOLOv7 ist sein Extended Efficient Layer Aggregation Network (E-ELAN). E-ELAN optimiert den Gradientenpfad, indem es verschiedenen Schichten ermöglicht, vielfältigere Merkmale zu erlernen, ohne die ursprüngliche Netzwerktopologie zu verändern. Das Ergebnis ist ein ausdrucksstarkes Modell, das einen hohen mittleren durchschnittlichen Präzisionswert (mAP) erzielen kann.

YOLOv7 nutzt außerdem umfassend die Reparametrisierung des Modells und führt während der Inferenz Faltungsschichten und Batch-Normalisierung zusammen. Dadurch sinkt die Parameteranzahl und der Vorwärtsdurchlauf wird beschleunigt, wenn das Modell mit Frameworks wie NVIDIA TensorRT oder ONNX eingesetzt wird.

Mehr über YOLOv7 erfahren

Leistungsvergleich#

Bei der Auswertung dieser Modelle auf dem Datensatz MS COCO zeigen die Ergebnisse einen Zielkonflikt zwischen den leichtgewichtigen YOLOv6-Varianten und den größeren, auf Genauigkeit ausgelegten YOLOv7-Modellen.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Die Daten zeigen, dass YOLOv6-3.0n die schnellste Inferenz bietet und sich damit für Videoanalysen mit hoher Bildrate eignet. YOLOv7x erzielt dagegen den höchsten mAP-Wert und ist führend bei Aufgaben, bei denen die Erkennungsgenauigkeit wichtiger ist als die reine Bildrate.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv6 und YOLOv7 hängt von den Anforderungen deines Projekts, den Einsatzbeschränkungen und deinen Präferenzen hinsichtlich des Ökosystems 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 YOLOv7 wählen solltest#

YOLOv7 empfiehlt sich für:

  • Akademische Benchmarks: Reproduktion des Stands der Technik von 2022 oder Untersuchung der Auswirkungen von E-ELAN und Techniken mit trainierbaren Bündeln kostenloser Verbesserungen.
  • Reparametrisierungsforschung: Untersuchung geplanter reparametrisierter Faltungen und Strategien zur zusammengesetzten Modellskalierung.
  • Bestehende benutzerdefinierte Pipelines: Projekte mit stark angepassten Pipelines auf Basis der spezifischen YOLOv7-Architektur, die sich nicht ohne Weiteres umgestalten lassen.

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 Vorteile von Ultralytics: Auf in die Zukunft#

YOLOv6-3.0 und YOLOv7 sind zwar wichtige Meilensteine, doch die Integration unterschiedlicher Repositories in Produktionspipelines bringt häufig Herausforderungen bei der Modellbereitstellung und der Optimierung von Hyperparametern mit sich. Das Ultralytics-Ökosystem löst diese Probleme mit einer optimierten, einheitlichen Schnittstelle.

Warum Ultralytics wählen?#

  • Benutzerfreundlichkeit: Mit der Ultralytics-Python-API können Entwickler Modelle mit nur wenigen Codezeilen laden, trainieren und exportieren. Für den Wechsel von einem älteren Modell zur neuesten Architektur muss lediglich eine einzige Zeichenfolge geändert werden.
  • Gut gepflegtes Ökosystem: Ultralytics bietet regelmäßige Aktualisierungen, aktive Unterstützung durch die Community und eine umfassende Dokumentation.
  • Vielseitigkeit: Anders als frühere Modelle, die sich hauptsächlich auf Begrenzungsrahmen konzentrierten, unterstützen Ultralytics-Modelle von Haus aus das Lernen für mehrere Aufgaben, darunter Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
  • Speicherbedarf: Ultralytics-YOLO-Modelle benötigen während des Trainings weniger Speicher als Transformer-Architekturen wie RT-DETR. Dadurch können Forscher auch auf handelsüblicher Hardware effektiv trainieren.

Upgrade auf YOLO26#

Für Entwickler, die aktuell die beste Leistung suchen, ist YOLO26 (veröffentlicht im Januar 2026) das empfohlene Upgrade für die Objekterkennung. Es bietet ein optionales End-to-End-Design ohne NMS (nms=False), das die Nachverarbeitung mit Non-Maximum Suppression (NMS) überspringt und Schwankungen bei der Latenz auf Edge-Geräten verringert.

Zu den wichtigsten Neuerungen von YOLO26 gehören:

  • MuSGD-Optimierer: Eine Kombination aus SGD und Muon, inspiriert vom Training großer Sprachmodelle (LLM), die für stabiles Trainingsverhalten und schnellere Konvergenz sorgt.
  • Entfernung von DFL: Durch den Wegfall von Distribution Focal Loss vereinfacht YOLO26 die Exportkompatibilität und steigert die Leistung auf Geräten mit geringem Stromverbrauch.
  • ProgLoss + STAL: Eine progressive Verlustfunktion und eine zielgrößenbewusste Labelzuweisungsstrategie verbessern die Erkennung kleiner Objekte.
  • CPU-Geschwindigkeit: YOLO26n erreicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Damit eignet sich YOLO26 besonders für eingebettete Systeme wie den Raspberry Pi oder Bereitstellungen mit Apple CoreML.

Zu den weiteren leistungsfähigen Modellen des Ökosystems gehören YOLO11 und YOLOv8, die sich beide weiterhin gut für bestehende Hardwareintegrationen eignen.

Mach deine Pipeline zukunftssicher

Wenn du deine Computer-Vision-Anwendungen auf der Ultralytics Platform entwickelst, kannst du neuere Ultralytics-Modelle einsetzen, ohne deine Datensatzlader oder Bereitstellungsskripte neu schreiben zu müssen.

Codebeispiel: Vereinfachtes Training#

Das folgende Codebeispiel zeigt, wie du mit der Ultralytics API ein hochmodernes YOLO26-Modell trainierst. Derselbe Ablauf gilt auch für YOLO11 oder YOLOv8 und erspart dir den Boilerplate-Code, der in älteren Repositories typischerweise erforderlich ist.

from ultralytics import YOLO

# Das YOLO26-Nano-Modell für ein schnelles Training laden
model = YOLO("yolo26n.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
# Die API übernimmt das Herunterladen des Datensatzes, die Augmentierung und die Konfiguration der Hyperparameter
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # Verwendet automatisch die GPU-Beschleunigung von PyTorch
)

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

# Für den plattformübergreifenden Einsatz nach ONNX exportieren
model.export(format="onnx")

Fazit#

YOLOv6-3.0 und YOLOv7 bewältigten verschiedene Aspekte der Herausforderung, Echtzeit-Erkennung zu ermöglichen. YOLOv6-3.0 eignet sich für spezialisierte industrielle GPU-Umgebungen, während YOLOv7 dank einer sorgfältigen Optimierung des Gradientenpfads eine hohe Genauigkeit bietet.

Für moderne Anwendungen, die Vielseitigkeit, eine unkomplizierte Bereitstellung und Spitzenleistung erfordern, ist Ultralytics YOLO26 jedoch die empfohlene Wahl. Sein optionaler Kopf ohne NMS, der MuSGD-Optimierer und die Integration mit der Ultralytics Platform helfen Entwicklern, skalierbare KI-Lösungen für Bildverarbeitung schneller bereitzustellen.

Kommentare

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