YOLOv8 vs. YOLOv10
Die Objekterkennung in Echtzeit hat sich rasant weiterentwickelt. Da Entwickler und Forschende immer effizientere und genauere Computer-Vision-Modelle in ihre Pipelines integrieren möchten, ist der Vergleich führender Architekturen unverzichtbar. Dieser Leitfaden vergleicht Ultralytics YOLOv8 und YOLOv10 und untersucht ihre architektonischen Unterschiede, Leistungskennzahlen und geeigneten Bereitstellungsszenarien. So kannst du eine fundierte Entscheidung für dein nächstes KI-Projekt treffen.
Modellübersicht: YOLOv8#
YOLOv8 wurde als bedeutender Fortschritt in der YOLO-Modellfamilie eingeführt und setzte einen neuen Maßstab für ein einheitliches, vielseitiges Framework. Das Modell wurde von Grund auf so konzipiert, dass es neben standardmäßigen Begrenzungsrahmen zahlreiche Aufgaben unterstützt. Dadurch ist es ein flexibles Werkzeug für moderne Computer Vision.
YOLOv8-Details:
- Autoren: Glenn Jocher, Ayush Chaurasia und Jing Qiu
- Organisation: Ultralytics
- Datum: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Dokumentation: https://docs.ultralytics.com/models/yolov8
Architektur und Stärken#
YOLOv8 führte einen ankerfreien Erkennungskopf und ein überarbeitetes CSPDarknet-Backbone ein und verbesserte damit sowohl die Genauigkeit als auch die Inferenzlatenz deutlich. Durch den Wegfall der Ankerrahmen reduziert das Modell die Anzahl der Rahmenvorhersagen, wodurch die Nicht-Maximum-Unterdrückung (NMS) bei der Nachverarbeitung schneller ausgeführt wird.
Einer der herausragenden Vorteile von YOLOv8 ist seine Vielseitigkeit. Während viele Modelle sich ausschließlich auf die Objekterkennung konzentrieren, unterstützt YOLOv8 nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). Dadurch eignet sich das Modell gut für mehrstufige Pipelines, in denen verschiedene Arten visuellen Verständnisses gleichzeitig erforderlich sind. Auch der Speicherbedarf beim Training ist geringer als bei Transformer-basierten Architekturen wie RT-DETR. So können Forschende große Modelle auf handelsüblichen GPUs trainieren.
Modellübersicht: YOLOv10#
YOLOv10 wurde von Forschenden der Tsinghua-Universität entwickelt und sollte einen der hartnäckigsten Engpässe der YOLO-Familie beheben: die Abhängigkeit von der NMS-Nachverarbeitung.
Details zu YOLOv10:
- Autoren: Ao Wang, Hui Chen, Lihao Liu u. a.
- Organisation: Tsinghua-Universität
- Datum: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Dokumentation: https://docs.ultralytics.com/models/yolov10
Architektur und Stärken#
Die wichtigste Innovation von YOLOv10 ist seine Strategie der konsistenten doppelten Zuweisung, die Training ohne NMS und eine durchgängige Bereitstellung ermöglicht. Durch den Wegfall des NMS-Schritts reduziert YOLOv10 die Inferenzlatenz. Das ist besonders auf Edge-Geräten von Vorteil, auf denen die Nachverarbeitung rechenintensiv sein kann.
Darüber hinaus verfolgt YOLOv10 ein ganzheitliches Modelldesign, das Effizienz und Genauigkeit in Einklang bringt und den Rechenaufwand jeder Schicht sorgfältig abstimmt. Dadurch benötigt das Modell weniger Parameter und FLOPs und erzielt gleichzeitig einen konkurrenzfähigen mittleren durchschnittlichen Präzisionswert (mAP). Für Anwendungsfälle, bei denen bei reinen Erkennungsaufgaben eine möglichst geringe Latenz gefragt ist, ist es eine überzeugende Option.
Leistungs- und Metrikvergleich#
Beim Vergleich dieser beiden Architekturen ist es wichtig, die Kompromisse zwischen Parameterzahl, FLOPs und Genauigkeit zu betrachten. Unten findest du den genauen Leistungsvergleich anhand des COCO-Datensatzes.
| 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 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
YOLOv10 erzielt in dieser Tabelle bei jeder Modellgröße einen höheren mAP-Wert mit weniger Parametern. YOLOv8 bietet jedoch ein ausgereifteres Ökosystem und unterstützt mehr Aufgaben. Dadurch ist es in Produktionsumgebungen, in denen mehr als nur Begrenzungsrahmen erforderlich sind, im Allgemeinen zuverlässiger.
Ökosystem und Trainingsmethodik#
Bei modernen ML-Arbeitsabläufen liegt der entscheidende Unterschied oft im Ökosystem rund um die Architektur. Ein Ultralytics-Modell wie YOLOv8 bietet einfache Nutzung und eine einheitliche Entwicklererfahrung.
Mit einem intuitiven Python SDK können Entwickler Training, Validierung und Bereitstellung mit minimalem Aufwand durchführen. Das Ultralytics-Ökosystem wird aktiv gepflegt und bietet häufige Aktualisierungen, eine umfassende Dokumentation zur Hyperparameterabstimmung sowie zuverlässige Unterstützung durch die Community auf Plattformen wie Discord und GitHub.
Codebeispiel: Vereinfachtes Training#
Mit der Ultralytics Python API lassen sich beide Modelle ganz einfach instanziieren, trainieren und validieren. Beachte, dass derselbe Arbeitsablauf unabhängig von der zugrunde liegenden Architektur funktioniert.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model efficiently with automated learning rate scheduling
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # optimized CUDA memory usage
batch=16,
)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Export to ONNX for edge deployment
model.export(format="onnx")Anwendungsfälle und Empfehlungen#
Die Wahl zwischen YOLOv8 und YOLOv10 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 benötigen.
- 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 YOLOv10 wählen solltest#
YOLOv10 empfiehlt sich für:
- Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
- Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
- Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.
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, bei denen die bis zu 43 % schnellere CPU-Inferenz von 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 Zukunft: Der nächste Schritt mit YOLO26#
YOLOv8 ist vielseitig einsetzbar, und YOLOv10 bietet wertvolle Einblicke in Architekturen ohne NMS. Das Forschungsgebiet hat sich jedoch weiterentwickelt. Für das beste Verhältnis aus Geschwindigkeit, Genauigkeit und einfacher Bereitstellung empfiehlt Ultralytics YOLO26 für neue Projekte.
YOLO26 wurde im Januar 2026 veröffentlicht und vereint die Stärken seiner Vorgänger mit mehreren neuen Funktionen:
- Durchgängiges, NMS-freies Design: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle einführte, bietet YOLO26 optionale NMS-freie Inferenz (
nms=False) für eine schnellere und einfachere Bereitstellung. - Wegfall von DFL: Ohne Distribution Focal Loss lässt sich das Modell einfacher nach CoreML und für Edge-Geräte exportieren.
- MuSGD-Optimierer: Diese von Trainingsverfahren für große Sprachmodelle (LLMs) inspirierte Kombination aus SGD und Muon sorgt für schnellere Konvergenz und stabileres Training.
- Schnellere CPU-Inferenz: YOLO26n erreicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n und eignet sich dadurch besonders für Raspberry Pi und IoT-Anwendungen.
- ProgLoss + STAL: Progressive Loss und die zielgrößenbewusste Label-Zuweisung (STAL) verbessern die Erkennung kleiner Objekte. Das ist besonders wichtig für Luftaufnahmen und Robotik.
Wenn du gerade Modelle evaluierst, könnte dich auch YOLO11 interessieren, der direkte Vorgänger von YOLO26. YOLO11 ist weiterhin ein produktionsreifes Modell, das in Unternehmenslösungen breit eingesetzt wird. Für neue Projekte empfiehlt sich jedoch YOLO26 zusammen mit der Ultralytics Platform, um Bildverarbeitungs-KI zu annotieren, zu trainieren und bereitzustellen.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.