YOLOv6-3.0 und YOLOv9
Die Echtzeit-Objekterkennung entwickelt sich stetig weiter – angetrieben durch den Bedarf an höherer Genauigkeit, geringerer Latenz und besserer Hardwareauslastung. Dieser Vergleich beleuchtet zwei wichtige Meilensteine: YOLOv6-3.0, entwickelt für hohen Durchsatz in der Industrie, und YOLOv9, das neuartige Architekturen zur Überwindung von Informationsengpässen im Deep Learning einführte.
Beide Modelle bieten eigene Architekturinnovationen. Entwickler, die ein optimales Verhältnis von Leistung und einfacher Bereitstellung suchen, wechseln jedoch häufig zu modernen Ökosystemen. Für neue Projekte empfiehlt sich Ultralytics YOLO26 mit seinem optionalen End-to-End-Head ohne NMS. Das Modell bietet hochmoderne Genauigkeit und eine optimierte Entwicklererfahrung.
YOLOv6-3.0: Optimierung für industriellen Durchsatz#
YOLOv6-3.0 wurde von der Vision-AI-Abteilung bei Meituan entwickelt und intensiv auf maximalen Durchsatz in industriellen Anwendungen, insbesondere auf GPU-Hardware, ausgelegt.
- Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu und Xiangxiang Chu
- Organisation: Meituan
- Datum: 13. Januar 2023
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Architektonische Innovationen#
YOLOv6-3.0 führte mehrere wichtige Änderungen ein, um die Merkmalsfusion und die Hardwareeffizienz zu verbessern. Die Architektur umfasst ein Modul für bidirektionale Konkatenation (BiC) in ihrem Neck, das genauere Lokalisierungssignale liefert. Zudem kommt eine Strategie des ankerunterstützten Trainings (AAT) zum Einsatz. Dieser Ansatz verbindet die umfassende Anleitung des ankerbasierten Trainings mit der Inferenzgeschwindigkeit eines ankerfreien Verfahrens und erzielt so bessere Leistung, ohne die Bereitstellung zu verlangsamen.
Das Backbone basiert auf einem EfficientRep-Design, das für GPU-Inferenz besonders hardwarefreundlich optimiert ist. Dadurch eignet sich das Modell gut für industrielle Fertigung, bei der eine umfangreiche Batch-Verarbeitung üblich ist.
Stärken und Schwächen#
Die größte Stärke von YOLOv6-3.0 ist die hohe Bildrate auf GPUs wie der NVIDIA T4. Dadurch eignet sich das Modell für Videoanalyse mit hoher Streamdichte. Seine starke Abhängigkeit von bestimmten Hardwareoptimierungen kann jedoch zu suboptimaler Latenz auf Edge-Geräten mit ausschließlich CPU führen. Außerdem kann die Einrichtung der Trainingspipeline im Vergleich zu einheitlicheren Frameworks komplex sein.
YOLOv9: Programmierbare Gradienteninformationen#
Das ein Jahr später veröffentlichte YOLOv9 konzentriert sich darauf, das Informationsengpassproblem tiefer faltender neuronaler Netze (CNNs) zu lösen.
- Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
- Organisation: Institute of Information Science, Academia Sinica
- Datum: 21. Februar 2024
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
Architektonische Innovationen#
Der wichtigste Beitrag von YOLOv9 ist Programmable Gradient Information (PGI). PGI trägt dazu bei, wichtige Informationen beim Durchlaufen mehrerer Netzwerkschichten zu erhalten und ermöglicht so zuverlässigere Aktualisierungen der Gewichte. Zusätzlich zu PGI enthält das Modell das Generalized Efficient Layer Aggregation Network (GELAN). GELAN maximiert die Parametereffizienz und ermöglicht YOLOv9 dadurch eine höhere Genauigkeit bei weniger FLOPs als viele Vorgängermodelle.
Stärken und Schwächen#
YOLOv9 erzielt auf Benchmark-Datensätzen wie COCO eine hohe mittlere durchschnittliche Präzision (mAP) und ist daher bei Forschenden beliebt, die vor allem auf hohe Genauigkeit Wert legen. Wie YOLOv6 verwendet es für die Nachverarbeitung jedoch weiterhin die herkömmliche Nichtmaxima-Unterdrückung (NMS). Das erhöht die Latenz und erschwert die Bereitstellung der Modelle, insbesondere bei der Übertragung auf Edge-Geräte mit Formaten wie ONNX oder TensorRT.
Leistungsvergleich#
Beim Vergleich dieser Modelle müssen Genauigkeit, Parameterzahl und Inferenzgeschwindigkeit gemeinsam betrachtet werden.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Der Vorteil von Ultralytics: YOLO26 im Überblick#
YOLOv6-3.0 und YOLOv9 bieten robuste Architekturen, doch Produktionsumgebungen erfordern ein gut gepflegtes Ökosystem, einen geringen Speicherbedarf und einfache Bedienung. Die Ultralytics Platform sowie Modelle wie YOLO11 und das neuere YOLO26 wurden für diese Anforderungen entwickelt.
YOLO26 wurde im Januar 2026 veröffentlicht und verbessert die Effizienz bei der Bereitstellung, indem mehrere überkommene Engpässe beseitigt werden.
YOLO26 bietet ein End-to-End-Design ohne NMS: Sein optionaler One-to-One-Head (nms=False) macht die Nachverarbeitung durch Nichtmaxima-Unterdrückung überflüssig. Das verringert die Schwankungen der Inferenzlatenz und vereinfacht die Bereitstellungslogik für Edge-Geräte.
Wichtige Neuerungen in YOLO26#
- MuSGD-Optimierer: Inspiriert vom Training großer Sprachmodelle (LLMs), etwa Moonshot AIs Kimi K2, nutzt YOLO26 einen Hybrid aus SGD und Muon. Das sorgt bei Computer-Vision-Aufgaben für stabiles Training und schnellere Konvergenz.
- Bis zu 43 % schnellere CPU-Inferenz: Anders als YOLOv6 mit seiner starken Ausrichtung auf GPUs wurde YOLO26 für Edge-Geräte optimiert: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n. Der Wegfall von Distribution Focal Loss (DFL) vereinfacht den Head und verbessert die Kompatibilität mit stromsparenden CPUs und Edge-Computing-Hardware.
- ProgLoss + STAL: Der progressive Loss und die zielgrößenbewusste Label-Zuweisung verbessern die Erkennung kleiner Objekte – wichtig für Luftbilder und die Robotik.
- Vielseitigkeit: Während YOLOv6 ausschließlich der Objekterkennung dient, unterstützt YOLO26 auch Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB).
Training mit Ultralytics#
Das Training hochmoderner Modelle sollte keine komplexen Bash-Skripte erfordern. Die Ultralytics-Python-API bietet einen optimierten Ablauf mit automatischem Laden der Daten, minimalem CUDA-Speicherverbrauch und integrierter Nachverfolgung.
from ultralytics import YOLO
# Das YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")
# Auf dem COCO8-Datensatz trainieren (optimizer='auto' wählt MuSGD bei längeren Trainingsläufen aus)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Das trainierte Modell mit einem einzigen Befehl in das ONNX-Format exportieren
model.export(format="onnx")Ideale Anwendungsfälle#
Die Wahl der passenden Architektur hängt vollständig von der angestrebten Bereitstellungsumgebung ab:
- YOLOv6-3.0 verwenden für: Fabrikautomatisierung und Fehlererkennung, wenn Server-GPUs wie A100 in großer Zahl verfügbar sind und Stapelverarbeitung den Durchsatz maximiert.
- Verwende YOLOv9 für: akademische Forschung oder Wettbewerbe, bei denen ein möglichst hoher mAP auf standardisierten Datensätzen wie COCO das Hauptziel ist.
- Verwende YOLO26 für: fast alle modernen kommerziellen Anwendungen. Die optionale NMS-freie Inferenz, der geringe Speicherbedarf und die hohe CPU-Inferenzgeschwindigkeit machen das Modell geeignet für Alarmanlagen, den intelligenten Einzelhandel und die Echtzeit-Objektverfolgung auf eingebetteten Geräten.
Mit dem umfassenden Ultralytics-Ökosystem können Entwickler YOLOv8, YOLO11 und YOLO26 ganz einfach ausprobieren, um das richtige Verhältnis von Leistung und Ressourcenbedarf für ihre konkreten Herausforderungen in der Praxis zu finden.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.