YOLOv8 vs. YOLO26
Die Computer Vision hat sich in den letzten Jahren rasant weiterentwickelt. Zu den beliebtesten Architekturen für Echtzeitanwendungen gehören die von Ultralytics entwickelten Modelle. Dieser Leitfaden vergleicht Ultralytics YOLOv8 und das neueste Ultralytics YOLO26 technisch. Er behandelt ihre Architekturen, Leistungskennzahlen und idealen Anwendungsfälle, damit du das passende Modell für deine Bereitstellung auswählen kannst.
Modellübersicht#
Sowohl YOLOv8 als auch YOLO26 markieren wichtige Meilensteine in der YOLO-Modellfamilie. Beide teilen die grundlegende Philosophie von Ultralytics: Modelle bereitzustellen, die schnell, präzise und über eine einheitliche Python API einfach zu verwenden sind.
YOLOv8: der vielseitige Standard#
YOLOv8 wurde Anfang 2023 veröffentlicht und brachte eine umfassende Überarbeitung des YOLO-Frameworks mit sich, darunter ein ankerfreies Design und robuste Unterstützung für verschiedene Computer-Vision-Aufgaben.
- Autoren: Glenn Jocher, Ayush Chaurasia und Jing Qiu
- Organisation: Ultralytics
- Datum: 2023-01-10
- GitHub: Ultralytics-Repository
- Dokumentation: YOLOv8-Dokumentation
YOLOv8 fand dank seiner ausgewogenen Leistung und der tiefen Integration in das Ultralytics-Ökosystem schnell breite Anwendung. Das Modell unterstützt nativ Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). Für die Nachverarbeitung ist es jedoch auf die standardmäßige Nicht-Maximum-Unterdrückung (NMS) angewiesen, die in stark eingeschränkten Edge-Umgebungen zu Latenzengpässen führen kann.
YOLO26: Edge-KI der nächsten Generation#
YOLO26 wurde im Januar 2026 veröffentlicht, baut auf seinen Vorgängern auf und optimiert sie für moderne Bereitstellungsszenarien, insbesondere für Edge-KI und Geräte mit geringem Stromverbrauch.
- Autoren: Glenn Jocher und Jing Qiu
- Organisation: Ultralytics
- Datum: 2026-01-14
- GitHub: Ultralytics-Repository
- Dokumentation: YOLO26-Dokumentation
YOLO26 bietet mehrere technische Verbesserungen. Besonders hervorzuheben ist das durchgängige, NMS-freie Design, das YOLOv10 in YOLO-Modelle einführte. Diese Architektur macht die NMS-Nachverarbeitung überflüssig, vereinfacht Exportpipelines und verringert Latenzschwankungen. Durch den Wegfall des Verteilungsverlusts mit Fokus auf schwierige Beispiele (DFL) wird außerdem der Detektions-Head vereinfacht, was die Bereitstellung auf Edge-KI-Hardware erleichtert.
Architektonische und trainingsbezogene Neuerungen#
YOLO26 bietet mehrere Verbesserungen unter der Haube, die gegenüber der Basis von YOLOv8 für Fortschritte sorgen.
Optimiertes Training mit MuSGD#
Ultralytics-Modelle sind für ihr effizientes Training bekannt und benötigen typischerweise weniger Speicher als Transformer-basierte Architekturen wie RT-DETR. YOLO26 verbessert dies mit dem MuSGD-Optimierer. Diese Kombination aus stochastischem Gradientenabstieg (SGD) und Muon ist von Trainingsmethoden für große Sprachmodelle (LLMs) inspiriert, insbesondere von Kimi K2 von Moonshot AI, und sorgt für schnellere Konvergenz und stabileres Training auf komplexen Datensätzen.
Verlustfunktion und Zuordnung der Bezeichnungen#
Für Aufgaben mit hohen Genauigkeitsanforderungen, etwa bei Drohnenaufnahmen oder IoT-Sensoren, führt YOLO26 ProgLoss + STAL ein. Progressive Loss und die zielgrößenbewusste Label-Zuweisung (STAL) verbessern die Erkennung kleiner Objekte. Darüber hinaus bietet YOLO26 durchgängige aufgabenspezifische Verbesserungen: ein mehrskaliges Proto-Modul für eine bessere Maskengenerierung bei der Segmentierung, Residual Log-Likelihood Estimation (RLE) für eine präzisere Posenschätzung und einen speziellen Winkelfehler, der Probleme an den Grenzen bei der Erkennung orientierter Begrenzungsrahmen (OBB) behebt.
Leistungsanalyse und Vergleich#
Die folgende Tabelle zeigt anhand des COCO-Datensatzes die Leistungsunterschiede zwischen den beiden Modellen. Die jeweils besten Werte in jeder Größenklasse sind fett hervorgehoben.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Analyse der Kennzahlen#
Die Daten zeigen einen Fortschritt von einer Generation zur nächsten: YOLO26 übertrifft YOLOv8 bei nahezu allen Messwerten. Das YOLO26-Nano-Modell (YOLO26n) erreicht 40.9 mAP und liegt damit deutlich über den 37.3 von YOLOv8n, während es weniger Parameter und FLOPs verwendet.
Zu den größten Verbesserungen zählt die CPU-Inferenzgeschwindigkeit. Dank seiner optimierten Architektur und des Wegfalls von DFL erreicht YOLO26n bei der CPU-Inferenz mit ONNX 38.9 ms gegenüber 80.4 ms bei YOLOv8n. Im YOLO26-Fachartikel wird außerdem eine bis zu 43 % schnellere CPU-Inferenz als bei YOLO11n angegeben. Dadurch eignet sich YOLO26 gut für Raspberry Pi und andere Edge-Geräte mit begrenzten Ressourcen. Die GPU-Geschwindigkeiten mit TensorRT sind bei beiden Modellen konkurrenzfähig, doch die effiziente Parameternutzung von YOLO26 kann auch den Speicherbedarf beim Training und bei der Inferenz senken.
Benutzerfreundlichkeit und Ökosystem#
Beide Modelle profitieren vom gut gepflegten Ultralytics-Ökosystem. Dank der einheitlichen API können Entwickler zwischen YOLOv8 und YOLO26 wechseln, indem sie die Modellnamenszeichenfolge ändern.
Ob du Hyperparameter abstimmst, Experimente nachverfolgst oder neue Datensätze erkundest – die Ultralytics-Dokumentation bietet umfangreiche Ressourcen. Darüber hinaus ermöglicht die Ultralytics Platform eine optimierte Möglichkeit, Daten zu annotieren, Modelle zu trainieren und sie in der Cloud oder lokal bereitzustellen.
Codebeispiel#
Unten findest du ein vollständiges, ausführbares Beispiel für Training, Inferenz und Export mit der Ultralytics Python API:
from ultralytics import YOLO
# Das neueste YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")
# Das Modell 50 Epochen lang mit dem COCO8-Datensatz trainieren
# optimizer="auto" wählt bei längeren Läufen (>10k iterations) MuSGD und bei kurzen Läufen wie diesem AdamW aus
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="cpu", # Für das GPU-Training '0' verwenden
)
# Inferenz mit einem Beispielbild ausführen
# Das NMS-freie Design liefert klare, schnelle Vorhersagen
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Die Vorhersagen anzeigen
results[0].show()
# Für die Bereitstellung auf der CPU nach ONNX exportieren
export_path = model.export(format="onnx")Ideale Anwendungsfälle#
Welche Option die richtige ist, hängt von deinem Bereitstellungsziel und deiner bestehenden Infrastruktur ab.
Wann du YOLO26 wählen solltest:
- Edge Computing und Robotik: Dank der schnelleren CPU-Inferenz und des Designs ohne NMS eignet sich das Modell besonders für eingebettete Systeme, Mobilgeräte und autonome Roboter.
- Luft- und Satellitenaufnahmen: ProgLoss + STAL verschaffen YOLO26 einen Vorteil bei der Erkennung winziger Objekte in komplexen Szenen mit hoher Auflösung.
- Neue Projekte: Als neueste stabile Version ist YOLO26 das empfohlene Modell für jede neue Pipeline für maschinelles Lernen. Es deckt mehr Aufgaben ab und unterstützt zusätzlich semantische Segmentierung und Tiefenschätzung.
Wann du bei YOLOv8 bleiben solltest:
- Ältere Infrastruktur: Wenn deine aktuelle Produktionspipeline eng an die spezifischen Ausgabetensoren und die NMS-Nachverarbeitung von YOLOv8 gekoppelt ist, kann eine Migration kleinere Anpassungen erfordern.
- Akademische Referenzmodelle: YOLOv8 bleibt ein häufig zitiertes und stabiles Referenzmodell für akademische Computer-Vision-Forschung, in der ältere Architekturen verglichen werden.
Zusammenfassend lässt sich sagen: YOLOv8 setzte einen hohen Maßstab für Echtzeit-Bildverarbeitungsaufgaben, und YOLO26 baut darauf auf. Dank deutlicher Effizienzgewinne bei der CPU-Nutzung, der Bereitstellung ohne NMS und einer von LLMs inspirierten Trainingsoptimierung ermöglicht YOLO26 den praktischen Einsatz präziser Modelle auf verschiedenster Hardware.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.