Erste Schritte

YOLOX im Vergleich zu YOLOv8

Die Computer Vision hat sich in den vergangenen Jahren bei der Echtzeit-Objekterkennung rasant weiterentwickelt. Forschende und Entwickler verbessern laufend Genauigkeit und Geschwindigkeit, doch der Überblick über die verfügbaren Modelle ist nicht einfach. Dieser Leitfaden vergleicht technisch zwei einflussreiche Architekturen: YOLOX und Ultralytics YOLOv8.

Durch die Analyse ihrer Architekturen, Trainingsmethoden und Bereitstellungsmöglichkeiten können Entwickler fundierte Entscheidungen bei der Wahl des passenden Frameworks für ihre KI-Projekte treffen.

YOLOX: Forschung und Industrie verbinden#

YOLOX war ein wichtiges Modell, das dazu beitrug, die Lücke zwischen akademischer Forschung und industriellen Anwendungen zu schließen. Mit dem Wechsel zurück zu einem ankerfreien Design verringerte es die Anzahl der Entwurfsparameter sowie den für frühere detektorenbasierte Modelle erforderlichen heuristischen Anpassungsaufwand deutlich.

Modelldetails:

Architekturmerkmale#

YOLOX umfasst mehrere wichtige Änderungen, die das Modell von seinen Vorgängern unterscheiden. Besonders hervorzuheben ist der entkoppelte Kopf, der Klassifizierung und Bounding-Box-Regression in getrennte Pfade aufteilt. Diese Architekturentscheidung verringert den Konflikt zwischen der für die Regression benötigten räumlichen Ausrichtung und der für die Klassifizierung erforderlichen Translationsinvarianz. Dadurch konvergiert das Modell während des Trainings schneller.

Darüber hinaus verwendet YOLOX die SimOTA-Strategie zur Labelzuweisung. Bei dieser dynamischen Zuweisungsmethode wird die Zuordnung von annotierten Objekten zu Vorhersagen als Optimaltransportproblem formuliert. Dadurch verkürzt sich die Trainingszeit und die mittlere durchschnittliche Präzision (mAP) steigt. Das Modell nutzt außerdem leistungsstarke Techniken zur Datenerweiterung, darunter MixUp und Mosaic. Bemerkenswert ist, dass diese Techniken in den letzten Trainingsepochen deaktiviert werden, um die gelernten Merkmale zu stabilisieren.

Mehr über YOLOX erfahren

YOLOv8: Der vielseitige Standard des Ökosystems#

Nach jahrelanger kontinuierlicher Forschung stellt Ultralytics YOLOv8 einen großen Fortschritt für Ultralytics-Modelle dar. Das Modell wurde von Grund auf nicht nur als Objektdetektor, sondern als umfassendes Framework für mehrere Aufgaben entwickelt. Es kann vielfältige Herausforderungen der visuellen Erkennung bewältigen und bietet eine leicht zugängliche API.

Modelldetails:

Architektonische Weiterentwicklungen#

YOLOv8 bietet eine optimierte Architektur, in der das C3-Modul durch das effizientere C2f-Modul ersetzt wurde. Dadurch verbessern sich der Gradientenfluss und die Merkmalsextraktion, ohne dass die Parameterzahl stark ansteigt. Wie YOLOX nutzt YOLOv8 ein ankerfreies Design und einen entkoppelten Kopf. Die Berechnung des Fehlers wurde jedoch durch Distribution Focal Loss (DFL) und CIoU loss verfeinert. Das führt zu präziseren Vorhersagen der Begrenzungsrahmen, insbesondere bei kleinen oder überlappenden Objekten.

Das Ultralytics-Ökosystem

Eine der größten Stärken von YOLOv8 ist die tiefe Integration in das Ultralytics-Ökosystem. Ob du die einheitliche Python API oder die visuelle Oberfläche der Ultralytics Platform verwendest – der Übergang vom Training zur Bereitstellung ist unkompliziert. Formate von ONNX bis TensorRT werden nativ unterstützt.

Neben der standardmäßigen Objekterkennung unterstützt YOLOv8 nativ Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierte Begrenzungsrahmen (OBB). Dank dieser Vielseitigkeit eignet sich das Modell für komplexe Produktionsumgebungen, in denen mehrere Modelltypen gepflegt werden müssen.

Leistungs- und Metrikvergleich#

Beim Vergleich dieser Modelle müssen Entwickler die Kompromisse zwischen Genauigkeit, Inferenzlatenz und Rechenaufwand berücksichtigen. Die folgende Tabelle zeigt die Benchmark-Ergebnisse beider Modellfamilien.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

YOLOv8 erzielt bei vergleichbarer Parameterzahl durchgehend einen höheren mAP als YOLOX und bietet zugleich eine hohe GPU-Geschwindigkeit. Außerdem sind Ultralytics-Modelle für ihren geringeren Speicherbedarf während des Trainings bekannt. Das ist ein entscheidender Vorteil, wenn die Batch-Größe auf Verbraucherhardware erhöht wird, insbesondere im Vergleich zu ressourcenintensiven Transformer-Architekturen wie RT-DETR, die deutlich mehr CUDA-Speicher benötigen.

Entwicklungs- und Bereitstellungserfahrung#

Die Arbeit mit älteren Forschungs-Codebasen erfordert häufig die Konfiguration komplexer Umgebungen und das Schreiben von individuellem Boilerplate-Code für die Inferenz. Die Ultralytics-API vereinfacht das dagegen auf wenige Zeilen Python-Code.

from ultralytics import YOLO

# Das kleine YOLOv8-Modell initialisieren
model = YOLO("yolov8s.pt")

# Das Modell mit einem benutzerdefinierten Datensatz trainieren
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Überprüfe die Genauigkeit des Modells
metrics = model.val()

# Inferenz auf einem Testbild ausführen
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Diese einheitliche Schnittstelle ist ein Kennzeichen des gut gepflegten Ultralytics-Ökosystems. So verbringen Entwickler:innen weniger Zeit mit der Fehlersuche bei Umgebungsproblemen und mehr Zeit mit der Weiterentwicklung ihrer Computer-Vision-Lösungen.

Anwendungsfälle und Empfehlungen#

Ob du YOLOX oder YOLOv8 wählst, hängt von den spezifischen Anforderungen deines Projekts, den Bereitstellungsvorgaben und deinen Präferenzen beim Ökosystem ab.

Wann du YOLOX wählen solltest#

YOLOX ist eine gute Wahl für:

  • Forschung zur anchorfreien Erkennung: Akademische Forschung, bei der YOLOX aufgrund seiner übersichtlichen, anchorfreien Architektur als Grundlage für Experimente mit neuen Erkennungs-Heads oder Verlustfunktionen dient.
  • Besonders kleine Edge-Geräte: Bereitstellungen auf Mikrocontrollern oder älterer Mobilhardware, bei denen die extrem geringe Größe der YOLOX-Nano-Variante (0,91 Mio. Parameter) entscheidend ist.
  • Studien zur SimOTA-Labelzuweisung: Forschungsprojekte, die Strategien zur Labelzuweisung auf Grundlage optimalen Transports und deren Auswirkungen auf die Trainingskonvergenz untersuchen.

Wann du YOLOv8 wählen solltest#

YOLOv8 empfiehlt sich 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 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 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.

Ausblick: Die YOLO26-Architektur#

YOLOv8 bietet eine gute Balance zwischen Genauigkeit und Benutzerfreundlichkeit, doch die KI entwickelt sich rasant weiter. YOLO26, veröffentlicht im Januar 2026, ist das empfohlene Modell für moderne Edge- und Cloud-Bereitstellungen und baut auf den Grundlagen früherer Generationen auf.

YOLO26 bietet ein durchgängiges, NMS-freies Design: Der optionale One-to-One-Kopf (nms=False) überspringt den heuristischen NMS-Nachverarbeitungsschritt und sorgt so für stabile, vorhersehbare Latenz auf unterschiedlichen Zielsystemen. Nach dem Wegfall des Moduls Distribution Focal Loss (DFL) erreicht YOLO26n eine um bis zu 43 % schnellere CPU-Inferenz als YOLO11n. Dadurch eignet sich YOLO26 besonders für eingebettete Systeme und mobile Anwendungen.

YOLO26 verbessert mit dem MuSGD-Optimierer die Trainingsstabilität. Die Kombination aus SGD und Muon beschleunigt die Konvergenz. Mit ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment) verbessert YOLO26 die Erkennung kleiner Objekte. Das ist entscheidend für die Kartierung mit Drohnen und Alarmanlagen.

Fazit und Empfehlungen#

YOLOX war ein wichtiger Schritt beim Übergang zu ankerfreien Verfahren. Das fehlende integrierte Ökosystem für mehrere Aufgaben schränkt den Einsatz des Modells in schnelllebigen Produktionsumgebungen jedoch ein.

Wer besonderen Wert auf eine reibungslose Nutzung, vielseitige Aufgabenunterstützung und eine starke Community legt, ist mit YOLOv8 weiterhin gut beraten. Wer dagegen die Edge-Leistung maximieren, NMS-Engpässe beseitigen und mit den neuesten Trainingsinnovationen höchste Genauigkeit erreichen möchte, sollte für jedes neue Computer-Vision-Projekt das empfohlene Modell YOLO26 wählen.

Wenn du weitere Modelle der Ultralytics-Produktfamilie kennenlernen möchtest, kannst du auch die Leistungsmerkmale von YOLO11 ansehen oder mehr über den mit YOLOv10 eingeführten NMS-freien Ansatz erfahren.

Kommentare1

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

  1. zaraquinnatGitHub(bearbeitet)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.