Erste Schritte

YOLOv7 und YOLOv8 im Vergleich

Die rasante Entwicklung der Computer Vision hat zahlreiche leistungsfähige Werkzeuge für Entwickler und Forscher hervorgebracht. Bei der Auswahl einer Architektur für eine Objekterkennung-Pipeline ist der Vergleich etablierter Modelle unerlässlich. Dieser Leitfaden betrachtet die Architekturen, Leistungskennzahlen und idealen Anwendungsfälle zweier einflussreicher Modelle: YOLOv7 und Ultralytics YOLOv8.

Einführung in die Architekturen#

Beide Modelle erzielten deutliche Leistungssteigerungen, verfolgen jedoch unterschiedliche Ansätze zur Optimierung tiefer neuronaler Netze.

YOLOv7: Wegbereiter der Bag-of-Freebies#

YOLOv7 wurde Mitte 2022 vorgestellt und legte den Schwerpunkt auf die Optimierung architektonischer Gradientenpfade und das Konzept der „trainierbaren kostenlosen Extras“, um die Grenzen der Echtzeit-Erkennung auf leistungsstarker Hardware zu erweitern.

Wichtige Architekturmerkmale: YOLOv7 verwendet hauptsächlich einen ankerbasierten Erkennungskopf (experimentierte jedoch auch mit ankfreien Zweigen) und führt Extended Efficient Layer Aggregation Networks (E-ELAN) ein. Dieses Design verbessert die Lernfähigkeit des Netzwerks, ohne den ursprünglichen Gradientenpfad zu zerstören. Das Modell funktioniert gut auf GPUs für Server und eignet sich damit für anspruchsvolle Videoanalysen.

Stärken und Schwächen: YOLOv7 erreicht auf spezialisierter Hardware eine niedrige Latenz, doch die zugehörigen Werkzeuge sind weniger gut integriert. Für das Training musst du das Repository klonen, PyTorch-Abhängigkeiten manuell verwalten und zahlreiche Befehlszeilenargumente übergeben. Auch der Speicherbedarf beim Training kann für Hardware für Endverbraucher hoch sein.

Mehr über YOLOv7 erfahren

Ultralytics YOLOv8: Der vielseitige Standard#

YOLOv8 wurde Anfang 2023 veröffentlicht und vereint hohe Genauigkeit mit einem einheitlichen, produktionsreifen Framework für Training, Validierung und Bereitstellung.

Wichtige Architekturmerkmale: YOLOv8 führte einen nativen ankerfreien Erkennungskopf ein, sodass Ankerrahmen nicht mehr manuell anhand des MS-COCO-Datensatzes oder benutzerdefinierter Datenverteilungen konfiguriert werden müssen. Das Modell enthält das C2f-Modul zur Verbesserung des Gradientenflusses und verwendet eine entkoppelte Kopfstruktur, die Klassifizierungs- und Regressionsaufgaben voneinander trennt. Dadurch konvergiert das Modell schneller und erreicht eine höhere Genauigkeit.

Stärken und Schwächen: YOLOv8 ist speichereffizient: Beim Training benötigt das Modell üblicherweise weniger CUDA-Speicher als YOLOv7 oder umfangreichere Transformer-Modelle und ermöglicht dadurch größere Batchgrößen. Seine größte Stärke ist die Vielseitigkeit: Es unterstützt nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB). Der Hauptnachteil besteht darin, dass ältere Pipelines, die auf YOLOv7-Ausgabetensoren basieren, möglicherweise umgebaut werden müssen.

Vorteile des Ökosystems

Ultralytics YOLOv8 ist Teil eines aktiv gepflegten Ökosystems. Im Vergleich zu eigenständigen Forschungs-Repositories verkürzen die Python-API, regelmäßige Veröffentlichungen und die Unterstützung durch die Community den Weg von lokalen Tests bis zur Bereitstellung in der Produktion.

Detaillierter Leistungsvergleich#

Die folgende Tabelle zeigt die Leistungskennzahlen für wichtige Modellgrößen. YOLOv8 deckt ein breites Spektrum an Kompromissen zwischen Geschwindigkeit und Genauigkeit ab – von kompakten Modellen für Edge-Geräte bis hin zu größeren Modellen mit der höchsten Genauigkeit in diesem Vergleich.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Hinweis: YOLOv8x erreicht in dieser Gruppe den höchsten mAP-Wert, während YOLOv8n die wenigsten Parameter und die schnellste Inferenz bietet. Damit ist es eine gute Wahl für die Bereitstellung von Computer Vision auf Edge-KI-Geräten.

Benutzerfreundlichkeit und Trainingseffizienz#

Ultralytics YOLOv8 ist auf Benutzerfreundlichkeit ausgelegt. Bei älteren Architekturen wie YOLOv7 musst du bestimmte Repositories klonen und ausführliche Befehlszeilenskripte ausführen, um Datensätze und Pfade zu konfigurieren.

Im Gegensatz dazu bietet das YOLOv8-Paket ultralytics einen optimierten Arbeitsablauf mit automatischen Datensatz-Downloads, sofort einsatzbereiten vortrainierten Gewichten und integrierter Export-Unterstützung für Formate wie ONNX und TensorRT.

Das folgende Beispiel lädt ein Modell, trainiert es und führt mit der Ultralytics-Python-API eine Inferenz aus:

from ultralytics import YOLO

# Vortrainiertes YOLOv8-Nano-Modell laden
model = YOLO("yolov8n.pt")

# Das Modell effizient mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

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

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

YOLOv8 lässt sich in beliebte MLOps-Tools wie Weights & Biases und ClearML integrieren. So kannst du die Abstimmung von Hyperparametern und Trainingskennzahlen in Echtzeit überwachen.

Ideale Anwendungsfälle#

Die Wahl zwischen diesen Architekturen hängt häufig von den konkreten Einschränkungen deiner Einsatzumgebung ab.

Wann du YOLOv7 wählen solltest#

  • Vergleich mit älteren Benchmarks: Geeignet für Forschende, die eine feste Basislinie zum Vergleich mit den Architekturstandards von 2022 benötigen.
  • Bestehende umfangreiche Infrastruktur: Umgebungen mit NVIDIA-V100- oder A100-GPUs, in denen die Ausgabetensoren von YOLOv7 in eine ältere C++-Pipeline eingebettet sind.

Wann du YOLOv8 wählen solltest#

  • Plattformübergreifende Produktion: Ideal für Teams, die Bereitstellungen auf Cloud-GPUs, Mobilgeräten und in Browsern benötigen.
  • Anforderungen an mehrere Aufgaben: Wenn dein Projekt zusätzlich zu Begrenzungsrahmen Instanzsegmentierungsmasken oder Posenschlüsselpunkte benötigt.
  • Edge-Geräte mit begrenzten Ressourcen: YOLOv8 Nano (yolov8n) bietet für Robotik, Drohnen und IoT-Geräte ein gutes Verhältnis zwischen Genauigkeit und Geschwindigkeit.

Ausblick: Der Generationssprung zu YOLO26#

YOLOv8 bleibt eine zuverlässige Wahl, doch für neue Projekte gibt es neuere Ultralytics-Modelle: YOLO11 und YOLO26, das derzeit empfohlene Modell.

Das im Januar 2026 veröffentlichte YOLO26 wurde für eine effiziente Bereitstellung auf Edge-Geräten entwickelt:

  • End-to-End-NMS-freies Design: YOLO26 unterstützt native End-to-End-Inferenz und überspringt bei Verwendung des optionalen One-to-One-Kopfs (nms=False) die Nachverarbeitung durch Unterdrückung nicht maximaler Werte (NMS). Das vereinfacht Bereitstellungspipelines und vermeidet die Latenz eines separaten NMS-Schritts.
  • Entfernung von DFL: Durch das Entfernen des Verteilungs-Fokussierungsverlusts wird der Erkennungskopf einfacher. Das erweitert die Möglichkeiten zur Modellbereitstellung und verbessert die Kompatibilität mit Edge-Geräten.
  • Bis zu 43 % schnellere CPU-Inferenz: Bei der ONNX-Inferenz auf der CPU läuft YOLO26n bis zu 43 % schneller als YOLO11n. Dadurch eignet sich das Modell für Geräte mit begrenzten Ressourcen wie Raspberry Pi und andere eingebettete Systeme.
  • MuSGD-Optimierer: Inspiriert vom Training großer Sprachmodelle (LLM) kombiniert YOLO26 SGD und Muon zu einem hybriden Verfahren für stabileres Training und schnellere Konvergenz.
  • ProgLoss + STAL: Der progressive Verlust und die zielgrößenbewusste Zuweisung von Labels (STAL) verbessern die Erkennung kleiner Objekte. Das ist für Luftbilder, Landwirtschaft und Robotik wichtig.

Ob du YOLOv8 auf großen Clustern für Videoanalysen oder YOLO26 auf kleinen Edge-Geräten einsetzt – die Ultralytics Platform bietet Werkzeuge zum Annotieren von Daten sowie zum Trainieren und Bereitstellen von Modellen über den gesamten KI-Lebenszyklus hinweg.

Mitwirkende

Kommentare1

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

  1. rosin7596GitHub(bearbeitet)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.