YOLOX vs. YOLO11#
Die Evolution der Computer Vision wurde stark durch das Streben nach Echtzeit-Objekterkennungs-Frameworks vorangetrieben, die eine hohe Genauigkeit mit der Inferenzgeschwindigkeit in Einklang bringen. Zu den bemerkenswertesten Meilensteinen auf diesem Weg gehören YOLOX und Ultralytics YOLO11. Obwohl beide Modelle bedeutende Beiträge zu diesem Bereich geleistet haben, unterscheiden sich ihre zugrundeliegenden Architekturen, Designphilosophien und Entwicklerökosysteme erheblich voneinander.
Dieser umfassende technische Vergleich untersucht ihre Architekturen, Leistungsmetriken, Trainingsmethoden und idealen Einsatzszenarien, um dir bei der fundierten Entscheidung für dein nächstes Projekt im Bereich der künstlichen Intelligenz zu helfen.
YOLOX im Überblick#
YOLOX wurde am 18. Juli 2021 von den Forschern Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun bei Megvii vorgestellt und stellte eine bedeutende Wende in der YOLO-Serie dar. Es schloss erfolgreich die Lücke zwischen akademischer Forschung und industrieller Anwendung durch die Einführung eines Anker-freien Designs.
Für weitere technische Hintergründe kannst du dir das originale YOLOX Arxiv paper ansehen.
Wichtige architektonische Merkmale#
YOLOX verabschiedete sich von der traditionellen ankerbasierten Erkennung durch die Einführung eines entkoppelten Heads und eines ankerfreien Mechanismus. Dieses Design reduzierte die Anzahl der Designparameter und verbesserte die Leistung des Modells bei verschiedenen Benchmarks. Zusätzlich wurden fortschrittliche Strategien zur Label-Zuweisung wie SimOTA eingeführt, um den Trainingsprozess zu beschleunigen und die Konvergenz zu verbessern.
Während YOLOX für seine Zeit eine exzellente Genauigkeit bietet, konzentriert es sich primär auf die Objekterkennung mittels BBox und bietet keine native Unterstützung für andere komplexe Vision-Aufgaben von Haus aus.
Durch den Wegfall vordefinierter Ankerboxen reduzierte YOLOX drastisch die heuristische Optimierung, die für verschiedene Datensätze erforderlich war, was es zu einer starken Grundlage für die Forschung an ankerfreien Methoden machte.
Ultralytics YOLO11 Überblick#
YOLO11 wurde am 27. September 2024 von Glenn Jocher und Jing Qiu bei Ultralytics veröffentlicht und ist ein hochmodernes Modell, das Vielseitigkeit und Benutzerfreundlichkeit im Bereich Computer Vision neu definiert. Auf Basis jahrelanger Grundlagenforschung bietet es eine stark verfeinerte, produktionsreife Lösung, die sich bei einer Vielzahl von Aufgaben auszeichnet.
Der Ultralytics-Vorteil#
YOLO11 ist nicht nur ein Objektdetektor; es ist ein einheitliches Framework, das instance segmentation, image classification, pose estimation und oriented bounding box (OBB) Erkennung unterstützt. Es verfügt über eine hocheffiziente Architektur, die ein nahtloses Gleichgewicht zwischen Geschwindigkeit, Parameteranzahl und Genauigkeit priorisiert.
Darüber hinaus ist YOLO11 vollständig in die Ultralytics Platform integriert, die ein optimiertes Ökosystem für Datenannotation, Modelltraining und Bereitstellung bereitstellt.
Vergleich von Leistung und Metriken#
Beim Vergleich dieser Modelle wird das Gleichgewicht der Leistung deutlich. YOLO11 erzielt in den meisten Größenkategorien eine höhere mean Average Precision (mAP) bei deutlich weniger Parametern und FLOPs im Vergleich zu seinen YOLOX-Gegenstücken.
| Modell | Größe (Pixel) | mAPval 50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Wie gezeigt, übertreffen YOLO11-Modelle YOLOX in der Genauigkeit durchgehend und behalten dabei einen schlankeren Parameter-Footprint bei. Beispielsweise erreicht YOLO11m eine 51.5 mAP mit nur 20.1M parameters, während YOLOXx eine ähnliche 51.1 mAP erreicht, aber massive 99.1M parameters erfordert. Diese Speichereffizienz während des Trainings und der Inferenz macht YOLO11 hervorragend geeignet für die Bereitstellung auf Edge-KI-Geräten, wodurch die hohen CUDA-Speicheranforderungen vermieden werden, die für ältere oder Transformer-basierte Modelle wie RT-DETR typisch sind.
Ultralytics-Modelle benötigen während des Trainings deutlich weniger GPU-Speicher im Vergleich zu YOLOX und auf Transformern basierenden Architekturen, was es Forschern ermöglicht, leistungsstarke Modelle auf Standard-Consumer-Hardware zu trainieren.
Ökosystem und Benutzerfreundlichkeit#
Einer der auffälligsten Unterschiede zwischen den beiden Frameworks ist die Entwicklererfahrung.
YOLOX erfordert häufig das Klonen von Repositorys, das Einrichten komplexer Umgebungen und das Ausführen ausführlicher Befehlszeilenargumente zum Trainieren und Exportieren von Modellen in Formate wie ONNX oder TensorRT.
Im scharfen Gegensatz dazu bietet Ultralytics YOLO11 eine unglaublich einfache Python API und CLI. Die Ultralytics-Bibliothek handhabt data augmentation, hyperparameter tuning und das Exportieren automatisch.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")Dieses gut gewartete Ökosystem wird durch umfassende documentation und eine nahtlose Integration mit Tools wie Weights & Biases für experiment tracking unterstützt.
Ideale Anwendungsfälle#
Die Entscheidung zwischen diesen Modellen hängt oft von den Besonderheiten der Bereitstellungsumgebung ab.
Wann du YOLOX verwenden solltest#
- Legacy-Systeme: Wenn du über eine etablierte Pipeline verfügst, die explizit auf dem MegEngine-Framework oder auf Paradigmen der Objekterkennung von Anfang 2021 aufbaut.
- Akademische Baselines: Bei der Durchführung von Forschung, die direkte Benchmarks gegen grundlegende ankerfreie Architekturen aus der Ära von 2021 erfordert.
Wann du YOLO11 verwenden solltest#
- Produktionsbereitstellungen: Für kommerzielle Anwendungen im smart retail oder in security alarm systems, bei denen robuster, gewarteter Code und hohe Genauigkeit unerlässlich sind.
- Multi-Task-Pipelines: Wenn ein Projekt das Verfolgen von Objekten, das Schätzen menschlicher Posen und das Segmentieren von Instanzen mit einem einzigen, einheitlichen Framework erfordert.
- Ressourcenbeschränkte Edge-Geräte: Aufgrund seiner geringen Parameteranzahl und seines hohen Durchsatzes ist YOLO11 ideal für die Bereitstellung auf Raspberry Pi oder mobilen Edge-Knoten über CoreML und NCNN.
Ein Blick voraus: Der YOLO26-Vorteil#
Während YOLO11 einen massiven Sprung gegenüber YOLOX darstellt, schreitet der Bereich der Computer Vision rasant voran. Für Entwickler, die heute neue Projekte starten, ist Ultralytics YOLO26 die definitive Empfehlung.
YOLO26 wurde im Januar 2026 veröffentlicht und nutzt die architektonische Brillanz von YOLO11, führt jedoch mehrere bahnbrechende Funktionen ein:
- End-to-End NMS-Free Design: YOLO26 eliminiert die Non-Maximum Suppression (NMS)-Nachbearbeitung und streamt Inferenz nativ für schnellere, einfachere Bereitstellungspipelines (ein Konzept, das zuerst in YOLOv10 untersucht wurde).
- Bis zu 43% schnellere CPU-Inferenz: Durch den Wegfall von Distribution Focal Loss (DFL) ist YOLO26 auf CPUs und Edge-Geräten mit geringem Stromverbrauch weitaus effizienter.
- MuSGD-Optimierer: Inspiriert von Innovationen beim LLM-Training von Moonshot AI, sorgt der MuSGD-Optimierer für hochstabile Trainingsläufe und eine schnelle Konvergenz.
- Erweiterte Loss-Funktionen: Durch die Verwendung von ProgLoss + STAL erzielt YOLO26 bemerkenswerte Verbesserungen bei der Erkennung kleiner Objekte, was für drone imagery und autonome Robotik entscheidend ist.
Für die allermeisten modernen Computer-Vision-Aufgaben bietet das Aktualisieren deiner Pipeline zur Nutzung von YOLO26 die absolut beste Balance aus Geschwindigkeit, Genauigkeit und Bereitstellungseinfachheit.