Erste Schritte

YOLOv8 vs. YOLOv5

Die Wahl der richtigen Computer-Vision-Architektur ist ein entscheidender Schritt beim Aufbau robuster Machine-Learning-Pipelines. Dieser technische Vergleich untersucht die Unterschiede zwischen zwei der beliebtesten Modelle im Ökosystem der visuellen KI: YOLOv8 und YOLOv5. Beide Modelle wurden von Ultralytics entwickelt und haben die Objekterkennung in Echtzeit maßgeblich geprägt. Sie setzen Maßstäbe bei Geschwindigkeit, Genauigkeit und einfacher Bedienung.

Ob du Modelle auf Edge-Geräten einsetzt oder die Inferenz in der Cloud skalierst: Wenn du die Architekturänderungen, Leistungskennzahlen und Trainingsmethoden dieser Modelle verstehst, kannst du fundiert entscheiden, welches Modell sich für deine Computer-Vision-Projekte eignet.

Ultralytics YOLOv8: Der vielseitige Standard#

YOLOv8 wurde Anfang 2023 veröffentlicht und stellte eine grundlegende Änderung gegenüber seinen Vorgängern dar. Das Modell wurde von Grund auf als einheitliches Framework für mehrere native Vision-Aufgaben entwickelt, darunter Instanzsegmentierung, Bildklassifizierung und Posenschätzung.

Architektur und Methoden#

YOLOv8 führte einen anchorfreien Erkennungskopf ein, der den Trainingsprozess vereinfacht, da Ankerboxen nicht mehr manuell auf Grundlage der Datensatzverteilung konfiguriert werden müssen. Dadurch generalisiert das Modell zuverlässiger auf benutzerdefinierte Datensätze und erzeugt weniger Boxvorhersagen, was die Nicht-Maximum-Unterdrückung (NMS) beschleunigt.

Die Architektur umfasst ein C2f-Modul (Cross-Stage-Partial-Engpass mit zwei Faltungen), das das in YOLOv5 verwendete C3-Modul ersetzt. Das C2f-Modul verbessert den Gradientenfluss und ermöglicht es dem Modell, aussagekräftigere Merkmalsrepräsentationen zu lernen, ohne die Rechenkosten wesentlich zu erhöhen. Außerdem verwendet YOLOv8 eine entkoppelte Kopfstruktur, die Klassifizierungs- und Regressionsaufgaben voneinander trennt. Nachweislich verbessert dies die Konvergenzgeschwindigkeit und Genauigkeit.

Speichereffizienz

Ultralytics-YOLO-Modelle, einschließlich YOLOv8, sind im Vergleich zu vielen transformerbasierten Alternativen wie RT-DETR für einen geringeren CUDA-Speicherbedarf beim Training optimiert. So können Entwickler auf handelsüblichen GPUs wie der NVIDIA-RTX-Serie größere Batch-Größen verwenden.

Stärken und Schwächen#

Stärken:

  • Vielseitigkeit für mehrere Aufgaben, die über die einfache Erkennung von Begrenzungsrahmen hinausgehen.
  • Eine optimierte Python-API über das Paket ultralytics, die Training und Export intuitiv gestaltet.
  • Höhere mittlere durchschnittliche Präzision (mAP) bei allen Modellgrößen im Vergleich zu YOLOv5.

Schwächen:

  • Der entkoppelte Kopf und das C2f-Modul erhöhen bei den kleineren Varianten die Parameteranzahl und die FLOPs im Vergleich zu den entsprechenden YOLOv5-Modellen.

Ultralytics YOLOv5: Der agile Vorreiter#

YOLOv5 wurde 2020 eingeführt und brachte YOLO ins PyTorch-Ökosystem, wodurch das Modell für Entwickler deutlich zugänglicher wurde. Es entwickelte sich rasch zu einem der am häufigsten verwendeten Modelle für schnelle, zuverlässige und einfach bereitzustellende Objekterkennung.

Architektur und Methoden#

YOLOv5 basiert auf einer ankerbasierten Architektur und verwendet ein modifiziertes CSPDarknet53-Backbone. Bei ankerbasierten Ansätzen müssen die Anker zur Verteilung der Begrenzungsrahmen im Datensatz passen (YOLOv5 prüft und berechnet sie mit AutoAnchor automatisch neu). Sie eignen sich gut für klar definierte Datensätze.

YOLOv5 verwendet das C3-Modul, das Merkmale effizient extrahiert und gleichzeitig die Parameteranzahl gering hält. Die Verlustfunktion kombiniert den Objektverlust mit Klassifizierungs- und Begrenzungsrahmen-Regressionsverlusten, um das Netzwerk zu präzisen Vorhersagen anzuleiten.

Stärken und Schwächen#

Stärken:

  • Das geringe Gewicht macht die Nano- (YOLOv5n) und Small-Varianten (YOLOv5s) gut geeignet für Edge-KI-Bereitstellungen mit begrenzten Ressourcen.
  • Schnelle Inferenz auf CPUs und GPUs.
  • Ein etabliertes Ökosystem mit umfangreichen Community-Tutorials und Integrationen von Drittanbietern.

Schwächen:

  • Das Modell basiert auf Ankerboxen, deren Vorinformationen die Generalisierung bei stark variierenden oder benutzerdefinierten Datensätzen einschränken können.
  • Geringere Gesamtgenauigkeit (mAP) als bei modernen anchorfreien Architekturen wie YOLOv8 und YOLO26.

Leistungsvergleich#

Bei der Bewertung dieser Modelle ist ein günstiger Kompromiss zwischen Geschwindigkeit und Genauigkeit entscheidend. Die folgende Tabelle zeigt die Leistungskennzahlen beider Architekturen auf dem COCO-Datensatz. Die CPU-Geschwindigkeiten wurden mit ONNX gemessen, die GPU-Geschwindigkeiten mit TensorRT.

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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

YOLOv5 hat in dieser Tabelle bei jeder Größe eine geringere GPU-Latenz und weniger FLOPs. YOLOv8 erzielt jedoch durchweg einen deutlich höheren mAP-Wert (beispielsweise 37,3 gegenüber 28,0 bei den Nano-Modellen) und bietet damit bei anspruchsvollen realen Anwendungen ein besseres Verhältnis von Genauigkeit und Geschwindigkeit.

Benutzerfreundlichkeit und das Ultralytics-Ökosystem#

Ein prägendes Merkmal moderner Ultralytics-Modelle ist das gut gepflegte Ökosystem, das sie umgibt. Mit dem Wechsel von YOLOv5 zu YOLOv8 wurde das einheitliche Pip-Paket ultralytics eingeführt, das die Nutzung vereinfacht.

Entwickler können Modelltraining, Validierung, Vorhersage und Export mit nur wenigen Zeilen Python-Code durchführen und so die komplexen Boilerplate-Skripte umgehen, die bei Deep-Learning-Projekten früher üblicherweise erforderlich waren.

from ultralytics import YOLO

# Ein vortrainiertes YOLOv8-Modell laden
model = YOLO("yolov8n.pt")

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

# Das Modell für den produktiven Einsatz nach ONNX exportieren
path = model.export(format="onnx")

Die Ultralytics Platform vereinfacht außerdem die Verwaltung von Datensätzen, das Cloud-Training und die Bereitstellung.

Ideale Anwendungsfälle#

Wann du YOLOv5 wählen solltest: Wenn du ältere Systeme wartest, Inferenz auf stark eingeschränkten CPUs wie einem Raspberry Pi ausführst oder an einem Projekt arbeitest, bei dem jedes eingesparte Megabyte an Modellgröße zählt, bleibt YOLOv5 ein zuverlässiges Arbeitstier.

Wann du YOLOv8 wählen solltest: Von den beiden Modellen ist YOLOv8 die bessere Wahl für neue Projekte. Die Architektur unterstützt Tracking, Segmentierung und orientierte Begrenzungsrahmen (OBB) und eignet sich für moderne Anwendungen von autonomer Robotik bis hin zu medizinischer Bildanalyse und intelligenter städtischer Infrastruktur.

Auf der Suche nach dem neuesten Stand der Technik?

YOLOv8 ist leistungsfähig, doch Ultralytics empfiehlt für neue Projekte YOLO26. Das im Januar 2026 veröffentlichte Modell bietet mehrere Neuerungen:

  • Durchgängiges, NMS-freies Design: Ein optionaler One-to-One-Head (nms=False) macht die NMS-Nachverarbeitung überflüssig und ermöglicht eine schnellere, einfachere Bereitstellung – ein Ansatz, den YOLOv10 in YOLO-Modelle einführte.
  • MuSGD-Optimierer: Eine Kombination aus SGD und Muon, die Innovationen aus dem LLM-Training in die Computer Vision überträgt und so stabileres Training und schnellere Konvergenz ermöglicht.
  • Bis zu 43 % schnellere CPU-Inferenz: YOLO26n läuft auf der CPU bis zu 43 % schneller als YOLO11n und eignet sich damit für Edge-Computing-Umgebungen ohne dedizierte GPUs.
  • Wegfall von DFL: Distribution Focal Loss wurde entfernt, um den Export zu vereinfachen und die Kompatibilität mit Edge-Geräten zu verbessern.
  • ProgLoss + STAL: Progressive Loss und Small-Target-Aware Label Assignment verbessern die Erkennung kleiner Objekte deutlich. Das ist besonders wichtig für Luftaufnahmen und das Internet der Dinge.

Mit der Dokumentation und den Tools von Ultralytics kannst du YOLOv8 bereitstellen oder YOLO26 für anspruchsvolle Bildverarbeitungsanwendungen einsetzen. Weitere Informationen findest du in den Leitfäden zu Hyperparameteroptimierung und zu Best Practices für die Modellbereitstellung.

Kommentare1

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

  1. rancherdesktopp23GitHub(bearbeitet)

    Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.