YOLO26 ist die neueste Version der Modellfamilie für Computer Vision in Echtzeit von Ultralytics – ein offenes Modell, das Objekte in einem Bild oder Videostream in dem Moment erkennt, in dem sie erscheinen. Drei Dinge daran sind für Unternehmer wichtig, noch bevor sie für Entwickler wichtig werden: Es liefert sein Endergebnis jetzt direkt, ohne den Nachbearbeitungsschritt, der den Einsatz früher verlangsamt und verkompliziert hat; es ist ein einziges Modell, das sieben Bildverarbeitungsaufgaben abdeckt statt sieben getrennter Systeme; und in der kleinsten Größe läuft es auf einer gewöhnlichen CPU bis zu 43 % schneller als die vorherige Version. In der Praxis bedeutet das: Die Kamera, die bereits in Ihrem Lager, Ihrer Fabrik oder Ihrem Showroom hängt, kann zu einer Quelle operativer Daten werden, die auf einem kleinen Gerät vor Ort läuft – ohne teure Server und ohne dass Videomaterial Ihr Gelände verlässt.

Was hat sich in dieser Version tatsächlich geändert?

Frühere Modelle zeichneten Dutzende Kandidatenboxen um jedes Objekt und führten dann einen Bereinigungsschritt namens Non-Maximum Suppression aus, um die beste Box auszuwählen und den Rest zu verwerfen. Dieser Schritt lag außerhalb des Modells, was zusätzliche Einstellungen, zusätzliche Verarbeitung und eine weitere Fehlerquelle beim Einsatz auf unterschiedlicher Hardware bedeutete. YOLO26 gibt ein Endergebnis direkt aus dem Detection Head aus, begrenzt auf dreihundert Objekte pro Bild. Die Anbindung an ein operatives System wird dadurch einfacher, schneller und weit weniger anfällig dafür, sich im Produktivbetrieb anders zu verhalten als im Test.

Die offizielle Dokumentation beschreibt außerdem einen schlankeren Detection Head ohne den DFL-Loss, ein aktualisiertes Trainingsverfahren auf Basis eines hybriden Optimierers namens MuSGD, der aus dem Training großer Sprachmodelle übernommen wurde, sowie Änderungen, die ausdrücklich auf kleine Objekte zielen. Kleine Objekte sind genau das, worauf es im realen Betrieb ankommt: ein Etikett auf einem Karton am Ende eines Gangs oder ein fingernagelgroßer Defekt an einem Produkt, das über das Band läuft.

Sieben Bildverarbeitungsaufgaben in einem Modell

Kommerziell interessant ist nicht die reine Genauigkeit – sondern dass dieselbe Familie sieben Aufgaben mit fertigen Gewichten und einer einzigen Pipeline abdeckt. Das reduziert die Zahl der Systeme, die Sie kaufen, warten und auf die Sie Ihr Team schulen müssen:

  • Objekterkennung: wo sich ein Objekt befindet und was es ist. Die Grundlage für Zählen, Verfolgen und Alarmieren.
  • Instanzsegmentierung: eine präzise Maske pro Objekt statt einer Box, nützlich zum Messen von Flächen und Defekten.
  • Semantische Segmentierung: Klassifizierung jedes Pixels, etwa um einen Gang von einer Lagerzone zu trennen.
  • Tiefenschätzung: Entfernungen mit einer einzigen Kamera einschätzen, ohne zusätzlichen Lasersensor.
  • Klassifizierung: Ist dieser Fall konform oder nicht.
  • Posenschätzung: Verfolgung von Körper-Keypoints, eingesetzt in Arbeitssicherheit und Bewegungsanalyse.
  • Orientierte Erkennung: gedrehte Boxen für Objekte, die nicht an den Achsen ausgerichtet sind, etwa Paletten und Luftbilder.

Die offizielle Dokumentation meldet gegenüber der vorherigen Version Verbesserungen von bis zu 3,7 Punkten bei der Maskenqualität in der Segmentierung, von bis zu 7,2 Punkten bei der Posenschätzung und von 3,4 Punkten bei der orientierten Erkennung im DOTA-Benchmark. Die Zahlen sind wichtig, wichtiger aber ist, dass sie aus einem einzigen Modell stammen und nicht aus drei getrennten Projekten.

Die Zahlen, die entscheiden, welche Hardware Sie kaufen

Die Familie gibt es in fünf Größen, jede mit einem klaren Kompromiss zwischen Genauigkeit, Geschwindigkeit und Kosten. Die veröffentlichten Werte im COCO-Benchmark reichen bei der Genauigkeit von 40,9 bis 57,5 und bei der Laufzeit von 1,7 bis 11,8 Millisekunden auf einer T4-Karte:

  • Die kleinste Größe: nur 2,4 Millionen Parameter, läuft auf einer gewöhnlichen CPU ohne Grafikkarte. Die vernünftige Wahl für eine Kamera in einer Filiale oder einem kleinen Lager.
  • Die mittleren Größen: ein gutes Gleichgewicht für mehrere Kameras auf einem einzigen Gerät vor Ort.
  • Die größte Größe: 55,7 Millionen Parameter, für Fälle, in denen Genauigkeit wichtiger ist als Kosten, etwa bei feinkörniger Qualitätsprüfung.

Die Faustregel: Beginnen Sie mit der kleinsten Größe, die Ihr Problem löst. Die meisten Computer-Vision-Projekte, die kommerziell scheitern, scheitern nicht daran, dass das Modell zu schwach war – sondern daran, dass jemand das größte Modell gewählt und dann festgestellt hat, dass der Betrieb auf zwanzig Kameras mehr kostet, als er einspart.

Wo Ihnen das tatsächlich hilft

  • Lager: Paletten und Kartons im Wareneingang und Warenausgang zählen und Abweichungen zwischen dem, was sich physisch bewegt hat, und dem, was das System erfasst hat, aufdecken.
  • Fabriken: visuelle Prüfung am Band, die eine Charge stoppt, sobald ein wiederkehrendes Fehlermuster auftritt, statt dass der Fehler erst beim Kunden entdeckt wird.
  • Einzelhandel und Showrooms: Bewegungen in der Filiale messen, Verweilzonen erfassen und Regale erkennen, die leer wurden, ohne dass es jemand bemerkt hat.
  • Arbeitssicherheit: Schutzausrüstung in Gefahrenbereichen überprüfen und sofort alarmieren, wenn jemand einen gesperrten Bereich betritt.
  • Höfe und Fuhrparks: Ein- und Ausfahrt von Lkw protokollieren und automatisch mit dem Ladeauftrag verknüpfen.
  • Bauwesen: den Baufortschritt visuell dokumentieren und mit der Abschlagsrechnung verknüpfen, statt sich auf einen manuellen Bericht zu verlassen.

Allen diesen Fällen ist gemeinsam, dass keiner von ihnen allgemeine künstliche Intelligenz oder ein großes Sprachmodell braucht. Sie brauchen eine konkrete Frage – wie viele Kartons haben heute dieses Tor verlassen – und ein System, das sie ohne menschliches Zutun beantwortet.

Erkennung per Beschreibung statt fester Liste

Diese Version ist auch die Grundlage einer Open-Vocabulary-Variante namens YOLOE-26, die Kategorien erkennt, auf die sie nie trainiert wurde – gesteuert durch eine Textbeschreibung oder ein visuelles Beispiel. Das löst ein altes Problem: Jede neue Kategorie bedeutete bisher eine weitere Trainingsrunde. In einem Umfeld, in dem sich die Produkte ständig ändern, etwa im Einzelhandel, bedeutet diese Funktion eine längere Nutzungsdauer, bevor das System neu aufgebaut werden muss.

Lizenz vor Code

An diesem Punkt scheitern ganze Projekte, nachdem sie fertig sind. Die Gewichte und der Code von YOLO26 sind unter AGPL-3.0 oder unter einer kommerziellen Lizenz von Ultralytics erhältlich. Die AGPL legt jedem Pflichten auf, der ein Produkt baut, das anderen über ein Netzwerk bereitgestellt wird, und kann die Offenlegung Ihres Quellcodes verlangen. Ist die Nutzung rein intern in Ihren eigenen Abläufen, ist die Lage einfacher; bauen Sie dagegen ein Produkt, das Sie an Kunden verkaufen, klären Sie die Lizenz mit einem Rechtsbeistand vor der ersten Codezeile, nicht nach der Auslieferung.

Kameras und das Gesetz zum Schutz personenbezogener Daten

Jede Kamera, die Personen filmt, erzeugt personenbezogene Daten, und dafür gelten das saudische Gesetz zum Schutz personenbezogener Daten (PDPL) und seine Durchführungsverordnung der Saudischen Behörde für Daten und Künstliche Intelligenz (SDAIA). In der Praxis heißt das: Offenlegung und Hinweise an den Aufnahmeorten, ein klarer und begrenzter Verarbeitungszweck und so wenig Speicherung wie möglich. Die gute Nachricht: Die Effizienz von YOLO26 auf gewöhnlichen CPUs macht die Verarbeitung vor Ort wirklich praktikabel – das Video verlässt nie das Gelände, und gespeichert wird die resultierende Zahl, nicht das Bild. Dieses Design senkt gleichzeitig Ihr regulatorisches Risiko und Ihre Kosten.

So starten Sie innerhalb von sechs Wochen

Beginnen Sie nicht mit einem Computer-Vision-Projekt für die gesamte Anlage. Wählen Sie eine Kamera und eine messbare Frage, sammeln Sie Daten von Ihrem eigenen Standort statt aus dem Internet, trainieren Sie mit der kleinen Größe und vergleichen Sie das Ergebnis zwei Wochen lang mit der manuellen Zählung. Belegt der Pilot, dass das System Stunden spart oder Verluste von klarem Wert verhindert, erweitern Sie es Kamera für Kamera. Wenn nicht, haben Sie sechs Wochen investiert statt eines ganzen Jahresbudgets.

Quellen