Erste Schritte

YOLOv8 vs. YOLO11

Die rasante Entwicklung der Computer Vision wurde durch kontinuierliche Fortschritte bei Frameworks für die Objekterkennung in Echtzeit vorangetrieben. Für Entwickler und Forschende ist die Wahl des richtigen Modells entscheidend, um Genauigkeit, Geschwindigkeit und Ressourceneffizienz auszubalancieren. Dieser technische Vergleich untersucht die Unterschiede zwischen zwei grundlegenden Modellen aus dem Ultralytics-Ökosystem: Ultralytics YOLOv8 und Ultralytics YOLO11.

Beide Modelle zeichnen sich durch typische Merkmale der Ultralytics-Architekturen aus: einfache Nutzung, ein gut gepflegtes Ökosystem und effizientes Training mit geringem Speicherbedarf. Die folgenden Abschnitte behandeln ihre Architektur, Leistungsbenchmarks und geeigneten Bereitstellungsszenarien.

Modellübersicht#

Bevor wir die spezifischen technischen Vorzüge der Modelle vergleichen, lohnt es sich, ihre Ursprünge und Kerneigenschaften zu betrachten.

Ultralytics YOLOv8#

YOLOv8 wurde Anfang 2023 veröffentlicht und führte die ankerfreie Erkennung sowie deutliche Verbesserungen der Verlustfunktionen ein. Dadurch fand das Modell schnell breite Anwendung bei zahlreichen Bildverarbeitungsaufgaben.

Ultralytics YOLO11#

Aufbauend auf seinen Vorgängern verfeinerte YOLO11 die Kernarchitektur, um das Verhältnis zwischen Genauigkeit und Latenz zu verbessern. Dabei wurde die Parameterzahl reduziert und zugleich die Genauigkeit erhöht.

Weitere Architekturen

Wenn du alternative Ansätze erkundest, unterstützt Ultralytics auch Transformer-basierte Modelle wie RT-DETR und Open-Vocabulary-Detektoren ohne Beispiele wie YOLO-World. Für optimale Latenz und Speichereffizienz bleiben herkömmliche YOLO-Architekturen jedoch meist die bevorzugte Wahl.

Architektonische und methodische Unterschiede#

Der Wechsel von YOLOv8 zu YOLO11 ist eine sorgfältige Weiterentwicklung des neuronalen Netzwerkdesigns und keine vollständige Überarbeitung. Dadurch bleibt das gut gepflegte Ökosystem rund um die Modelle stabil.

Optimierungen an Backbone und Neck#

YOLOv8 führte ein schlankes CNN-Backbone ein, das sich von herkömmlichen Ankerrahmen löste und die Objekterkennung als reine Vorhersage des Mittelpunkts behandelte. Dieser ankerfreie Ansatz verringerte die Komplexität der Begrenzungsrahmenregression erheblich. YOLO11 baute auf dieser Grundlage auf und führte ein optimiertes Merkmalspyramiden-Netzwerk (FPN) ein. Außerdem wurden die C2f-Blöcke zu C3k2-Modulen weiterentwickelt. Dadurch kann YOLO11 umfangreichere räumliche Merkmale extrahieren, was die Genauigkeit bei kleineren Objekten verbessert, wie sie typischerweise im COCO-Datensatz vorkommen.

Speicherbedarf und Trainingseffizienz#

Einer der bemerkenswertesten Vorteile von YOLOv8 und YOLO11 ist ihr geringer Speicherbedarf beim Training. Im Gegensatz zu speicherintensiven Vision-Transformern, die den VRAM von Geräten für Endverbraucher leicht ausschöpfen können, sind diese Modelle für zugängliches PyTorch-Training auf handelsüblichen GPUs optimiert. YOLO11 reduziert die Gesamtzahl der Parameter erheblich – in der großen Variante (L) um bis zu 42 % gegenüber YOLOv8 – und steigert zugleich den mittleren durchschnittlichen Präzisionswert (mAP). Das bedeutet kürzere Epochen und einen geringeren CO₂-Fußabdruck beim Modelltraining.

Leistungskennzahlen#

Objektive Benchmarks zeigen, wie ausgewogen die Leistung dieser Modelle ist. Die folgende Tabelle vergleicht YOLOv8 und YOLO11 anhand der gängigen Größenvarianten (von Nano bis Extra-Large).

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Wie die Tabelle zeigt, übertrifft YOLO11 YOLOv8 durchgehend bei der Genauigkeit und verwendet zugleich weniger Parameter und FLOPs. Die mit ONNX Runtime gemessene CPU-Inferenzgeschwindigkeit verdeutlicht, wie effizient YOLO11 bei Edge-Bereitstellungen ist. Werden die Modelle mit NVIDIA TensorRT exportiert, benötigen beide Modellfamilien auf einer T4-GPU weniger als 15 ms pro Bild und eignen sich damit für die Analyse von Videoströmen in der Praxis.

Ökosystem und Benutzerfreundlichkeit#

Beide Modelle verwenden dasselbe Python-Paket ultralytics. Daher können Entwickler zwischen YOLOv8 und YOLO11 wechseln, indem sie die Gewichtedatei ändern. Training, Validierung und Export lassen sich mit wenigen Codezeilen durchführen.

from ultralytics import YOLO

# Ein vortrainiertes YOLO11-Modell laden (du kannst einfach zu "yolov8n.pt" wechseln)
model = YOLO("yolo11n.pt")

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

# Das optimierte Modell nach ONNX exportieren
model.export(format="onnx")

Die Ultralytics Platform erweitert diesen Arbeitsablauf um cloudbasiertes Training, Modellüberwachung und Bereitstellung, ohne dass fortgeschrittene DevOps-Kenntnisse erforderlich sind.

Vielseitigkeit und praktische Anwendungen#

Eine große Stärke des Ultralytics-Frameworks ist seine Vielseitigkeit. YOLOv8 und YOLO11 unterstützen neben der standardmäßigen Objekterkennung zahlreiche weitere Computer-Vision-Aufgaben:

YOLOv8 ist schon länger verfügbar und verfügt daher über zahlreiche Tutorials aus der Community sowie in Unternehmen erprobte Bereitstellungen. Wenn du ältere Pipelines integrierst, die ausdrücklich YOLOv8-Tensorformen erwarten, bleibt das Modell eine verlässliche Wahl. Für neue Projekte, bei denen Effizienz im Vordergrund steht, etwa für den Einsatz auf eingebetteten Edge-Geräten wie einem Raspberry Pi, ist YOLO11 dank höherer Genauigkeit mit weniger Parametern und geringerer CPU-Latenz die bessere Option.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOv8 und YOLO11 hängt von den Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen für das jeweilige Ökosystem ab.

Wann du YOLOv8 wählen solltest#

YOLOv8 ist eine gute Wahl für:

  • Vielseitige Bereitstellung für mehrere Aufgaben: Projekte, die ein bewährtes Modell für Erkennung, Segmentierung, Klassifizierung und Posenschätzung innerhalb des Ultralytics-Ökosystems erfordern.
  • Etablierte Produktivsysteme: Bestehende Produktivumgebungen, die bereits auf der YOLOv8-Architektur und stabilen, umfassend getesteten Bereitstellungspipelines basieren.
  • Umfangreiche Unterstützung durch Community und Ökosystem: Anwendungen, die von den zahlreichen YOLOv8-Anleitungen, Integrationen von Drittanbietern und aktiven Community-Ressourcen profitieren.

Wann du YOLO11 wählen solltest#

YOLO11 wird empfohlen für:

  • Produktiver Edge-Einsatz: Kommerzielle Anwendungen auf Geräten wie Raspberry Pi oder NVIDIA Jetson, bei denen Zuverlässigkeit und aktive Wartung entscheidend sind.
  • Anwendungen für visuelle Aufgaben mit mehreren Funktionen: Projekte, die Erkennung, Segmentierung, Posenschätzung und OBB innerhalb eines einzigen einheitlichen Frameworks erfordern.
  • Schnelle Prototypentwicklung und Bereitstellung: Teams, die mithilfe der optimierten Ultralytics-Python-API schnell von der Datenerfassung zum Produktionseinsatz gelangen müssen.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

  • NMS-freie Bereitstellung am Netzwerkrand: Anwendungen, die eine gleichmäßige Inferenz mit niedriger Latenz ohne die Komplexität der Nachbearbeitung mit Non-Maximum Suppression (NMS) benötigen.
  • Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (YOLO26n gegenüber YOLO11n) einen entscheidenden Vorteil bietet.
  • 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 YOLO26#

YOLOv8 und YOLO11 sind beide leistungsfähige Architekturen. Für neue Projekte im Jahr 2026 ist Ultralytics YOLO26 jedoch der empfohlene nächste Schritt.

YOLO26 vereinfacht die Bereitstellungspipeline. Das Modell bietet ein durchgängiges, NMS-freies Design, das YOLOv10 in YOLO-Modelle einführte und das mit nms=False die NMS-Nachverarbeitung überflüssig macht. Der Wegfall von DFL (Verteilungsverlust mit Fokus auf schwierige Beispiele) vereinfacht die Exportlogik und verbessert die Kompatibilität mit Edge-Geräten mit geringem Energieverbrauch. YOLO26n ermöglicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n.

Der MuSGD-Optimierer, eine von Trainingsmethoden für LLMs inspirierte Kombination aus SGD und Muon, verbessert die Trainingsstabilität und Konvergenzgeschwindigkeit. ProgLoss + STAL (Progressive Loss und zielgrößenbewusste Label-Zuweisung) verbessern die Erkennung kleiner Objekte, die bei IoT und Robotik seit Langem eine Herausforderung darstellt. Zu den aufgabenspezifischen Verbesserungen gehören RLE für die Posenschätzung und ein mehrskaliges Proto-Modul für die Segmentierung.

Das passende Modell auswählen

Wähle YOLOv8, wenn du auf seine umfangreichen Community-Ressourcen und bestehenden Bereitstellungen angewiesen bist. Wähle YOLO11, wenn du ein ausgewogenes Verhältnis von Geschwindigkeit und Parameterzahl möchtest. Für eine für Edge-Geräte optimierte Inferenz ohne NMS empfiehlt sich YOLO26, das derzeit empfohlene Modell.

Fazit#

Die Entscheidung zwischen YOLOv8 und YOLO11 hängt letztlich vom Zeitplan deines Projekts und den Einschränkungen deiner Hardware ab. YOLOv8 ist praxiserprobt und stabil. YOLO11 verfeinert diese Architektur und erzielt mit weniger Parametern einen höheren mAP-Wert. Dadurch eignet sich das Modell besonders für Edge-Anwendungen mit begrenzten Ressourcen. In beiden Fällen sorgt die gemeinsame Ultralytics Python API für einen einheitlichen und gut unterstützten Entwicklungsablauf. YOLO26 steht zur Verfügung, wenn du die bestmögliche Edge-Leistung benötigst.

Mitwirkende

Kommentare1

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

  1. naps22GitHub(bearbeitet)

    A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.