Größe eines Ultralytics YOLO-Modells auswählen
Vergleiche YOLO26 n, s, m, l und x, miss ihre Leistung auf deiner Zielhardware und wähle die kleinste Größe, die dein Latenzbudget einhält.
Wählst du ein zu großes Modell, läuft eine Kamera-App mit 30 FPS nur mit 12 FPS. Wählst du ein zu kleines Modell, verschenkst du Genauigkeit, die ein größeres Modell auf einer GPU ohne zusätzliche Kosten liefern würde. Da die trainierte Größe auch die ausgelieferte Größe ist, musst du diese Entscheidung vor dem langen Trainingslauf treffen.
YOLO26 gibt es in fünf Größen – n, s, m, l und x – für alle sieben Aufgaben: Detektion, Segmentierung, semantische Segmentierung, Klassifizierung, Pose, OBB und Tiefe. In dieser Lektion rechnest du eine Bildrate in ein Millisekundenbudget um, misst zwei Größen auf deinem eigenen Rechner mit dem Benchmark-Modus und triffst eine Auswahl.
Praxisnah
Modellpalette kennenlernen#
Das sind die offiziellen COCO-Detektionswerte aus der YOLO26-Dokumentation, jeweils bei 640 Pixeln:
| Modell | Parameter (M) | FLOPs (B) | mAP50-95 | CPU ONNX (ms) | T4 TensorRT10 (ms) |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
Jede Größe gibt es für jede Aufgabe – tausche einfach das Suffix aus, etwa bei yolo26s-seg.pt, yolo26s-sem.pt, yolo26s-depth.pt, yolo26s-cls.pt, yolo26s-pose.pt oder yolo26s-obb.pt. Du migrierst ein älteres Projekt? Der Vergleich von YOLO11 und YOLO26 zeigt, was sich ändert.
Lies die Tabelle als Antwort auf die Frage: „Was kostet die nächste Größe?“:
| Schritt | Zugewonnene mAP | Zusätzliche FLOPs | CPU-Latenz-Multiplikator |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
Der erste Schritt bietet das beste Verhältnis; ab m wird jeder zusätzliche Punkt COCO-Genauigkeit teuer. Und COCO mit seinen 80 vielfältigen Klassen ist schwieriger als die meisten realen Projekte: Bei einer eng umrissenen Aufgabe, etwa einem einzelnen Produkt auf einem Förderband, liegen n und s oft höchstens einen Punkt von m entfernt.
Vom Budget ausgehen#
Dein Budget für die Inferenzlatenz beträgt 1000 ms ÷ Ziel-FPS. Das Modell muss sich dieses Budget mit dem Dekodieren, Zeichnen und deiner eigenen Logik teilen. Typische Ausgangspunkte:
| Zielwert | Beginne mit |
|---|---|
| Smartphone, Raspberry Pi, Browser oder ein anderes kleines Edge-AI-Gerät | n |
| Laptop- oder Desktop-CPU, 10–30 FPS | n, dann s, falls noch Spielraum vorhanden ist |
| Einzelne GPU, Echtzeitvideo | s oder m |
| Offline-Stapelverarbeitung, Genauigkeit zuerst | l oder x |
Beispiel: Zwei Größen messen#
Der Benchmark-Modus exportiert das Modell, validiert es mit coco8 und misst die Inferenzzeit auf deinem Rechner. Mit format=onnx wird der Lauf auf ein Format beschränkt und ist in wenigen Sekunden fertig. Lasse die Option weg, um alle Exportformate zu vergleichen.
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxEchte Ergebnisse auf der CPU eines Apple M5 Pro-Laptops:
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26sVerglichen mit einem Budget von 30 FPS (33 ms):
yolo26n, 13.87 ms: passt und lässt 19 ms für das Dekodieren und Zeichnen übrig.yolo26s, 30.87 ms: passt gerade noch, lässt aber keinen Spielraum für irgendetwas anderes. Derselbe Benchmark dauerte 60 ms, während auf dem Rechner andere Prozesse liefen.Size (MB): die Größe der ONNX-Datei, wichtig für App-Downloads und den Speicherbedarf auf Mobilgeräten.metrics/mAP50-95(B): hier kannst du sie ignorieren.coco8hat vier Validierungsbilder: genug, um zu bestätigen, dass der Export funktioniert, aber viel zu wenige, um die Genauigkeit zu bewerten.
Entscheidung: Trainiere zuerst yolo26n und verwende yolo26s mit einem niedrigeren imgsz als Rückfalloption.
Diese Fehler vermeiden#
Symptom: Ein Modell, das auf deinem Laptop mit 70 FPS lief, erreicht auf dem Edge-Gerät nur 8 FPS. Lösung: Führe den Benchmark auf dem Gerät aus, auf dem das Modell später laufen soll, und zwar unter realistischen Bedingungen – mit anderen Prozessen, Kameradekodierung und dem tatsächlich verwendeten Laufzeitformat.
Symptom: In deinen Notizen steht „s war schneller als n“. Ursache: Bei einem Lauf wurde imgsz=480 oder ein anderes Format verwendet. Lösung: Vergleiche die Modellgrößen mit demselben imgsz, Format und Batch und ändere jeweils nur eine Variable.
Trainiere nicht mit x, wenn du das Modell später mit Modellbeschneidung oder Quantisierung auf n verkleinern willst: Eine kleinere Architektur erfordert erneutes Training. Wähle zuerst die Größe; betrachte Quantisierung als zusätzliche Beschleunigung der passenden Größe, nicht als Ersatz dafür.
Die ausführlichere Latenzoptimierung – Batching, Quantisierung und die Wahl der Laufzeitumgebung – wird im Produktionskurs unter Kosten- und Latenzoptimierung behandelt. Der Leitfaden zu Leistungsmetriken erklärt die einzelnen Genauigkeitswerte.
Lösung anzeigen
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.