YOLO (You Only Look Once)

Definition

YOLO (You Only Look Once) ist eine Familie von Single-Stage-Object-Detectoren, die Joseph Redmon, Santosh Divvala, Ross Girshick und Ali Farhadi 2016 im CVPR-Paper You Only Look Once Unified Real-Time Object Detection einführten. Die Kernidee ist, Object Detection als einzelne Regression vom Eingabebild zu Bounding-Box-Koordinaten und Klassen-Wahrscheinlichkeiten in einem einzigen Forward-Pass zu formulieren, statt wie zweistufige Detektoren erst Region Proposals zu generieren und dann zu klassifizieren.

Diese architektonische Vereinfachung erlaubt sehr hohe Inferenzgeschwindigkeiten von 30 bis über 100 FPS auf gängigen GPUs und macht YOLO zum De-facto-Standard für Echtzeit-Object-Detection. Über zehn Jahre hinweg entwickelten verschiedene Teams die YOLO-Familie weiter, sodass moderne Versionen wie YOLO11 und YOLO v10 die Genauigkeitslücke zu zweistufigen Detektoren weitgehend geschlossen haben, ohne die Geschwindigkeit aufzugeben.

Architektur

YOLO v1 teilt das Eingabebild in ein SxS-Gitter (typischerweise 7x7). Jede Gitterzelle prognostiziert B Bounding Boxen mit jeweils fünf Werten (x, y, w, h, Confidence) und C Klassenwahrscheinlichkeiten. Das Backbone war DarkNet, ein CNN inspiriert von GoogLeNet. Trainings-Loss war eine Summe-of-Squared-Errors über Lokalisierung, Confidence und Klassifikation.

YOLO v2 führte Batch Normalization, höhere Inputauflösung, Anchor Boxes (vorgegebene Form-Prototypen, die das Training stabilisieren) und Multi-Scale-Training ein. YOLO v3 nutzte DarkNet-53 als Backbone, Predictions auf drei Skalen und Logistic Regression statt Softmax für Multi-Label-Klassifikation.

Ab YOLO v4 wurden weitere Verbesserungen integriert: CSPNet-Backbone, PANet-Neck, Mosaic-Augmentation, CIoU-Loss, Self-Adversarial-Training. YOLO v5 (Ultralytics) brachte Pythonic API, AutoAnchor und eingebautes Modell-Pruning. YOLOX, YOLOR und YOLO v7 experimentierten mit Anchor-freier Detektion, Decoupled Heads und Reparametrisierung.

YOLO v8 und YOLO11 von Ultralytics sind ausschliesslich Anchor-frei; YOLO v8 nutzt ein C2f-Backbone (CSP mit zwei Convolutions), YOLO11 ersetzte es durch C3k2-Blöcke. Beide kombinieren Detection, Segmentation, Klassifikation und Pose Estimation in einer Pipeline. YOLO v10 (Tsinghua 2024) eliminiert Non-Max Suppression durch ein duales Label-Assignment und reduziert Latenz weiter.

Geschichte und Bedeutung

Vor YOLO dominierten zweistufige Detektoren: R-CNN (2014), Fast R-CNN (2015) und Faster R-CNN (2015). Diese liefern hohe Genauigkeit, sind aber zu langsam für Echtzeit-Anwendungen (oft unter 10 FPS). Redmon und Kollegen formulierten 2016 Detection als einzelne Regression und erreichten 45 FPS bei moderater Genauigkeit. Das machte zahlreiche neue Anwendungen praktisch.

YOLO v2 (2017) und YOLO v3 (2018) festigten die Methode in Industrie und Forschung. Redmon stellte die YOLO-Entwicklung 2020 öffentlich ein mit Verweis auf den militärischen Missbrauch der Technologie. Andere Teams führten die Marke fort: Bochkovskiy mit v4 (Stand-alone), Ultralytics mit v5, Megvii mit YOLOX, Meituan mit YOLO v6, WongKinYiu mit v7, Ultralytics mit v8 und YOLO11, Tsinghua mit YOLO v10.

YOLO ist heute neben ResNet wahrscheinlich der bekannteste Brand in Computer Vision. Praktisch jede Echtzeit-Vision-Pipeline der letzten Jahre verwendet eine YOLO-Variante, oft mit Custom-Training auf domänenspezifischen Daten.

Praxis und Anwendung

YOLO ist 2026 die dominante Architektur für Echtzeit-Object-Detection in zahlreichen Domänen:

• Autonomes Fahren: Fussgänger-, Fahrzeug-, Verkehrszeichen- und Spurmarkierungs-Erkennung als Teil der Wahrnehmungspipeline.
• Drohnen und UAVs: Echtzeit-Erkennung von Objekten am Boden aus der Luftperspektive, oft mit Edge-TPU oder Jetson-Hardware.
• Sicherheits- und Überwachungskameras: Personenerkennung, Anomalieerkennung, Tracking in Live-Streams.
• Industrielle Inspektion: Defekterkennung an Fertigungslinien mit hohen Durchsatzraten.
• Retail Analytics: Kunden-Counting, Shelf-Management, Product-Picking-Verifikation.
• Sport-Analyse: Spieler-, Ball- und Ereigniserkennung in Live-Übertragungen.
• Medizinische Echtzeit-Diagnostik: Endoskopie, Mikroskopie-Live-Analyse, OP-Assistenz.
• Wildtier-Monitoring: Kamerafallen, Bestandserfassung, Wilderei-Detektion.

Ultralytics bietet exzellentes Tooling mit einfacher Python-API, ONNX/TensorRT/CoreML-Export und vortrainierten Modellen auf COCO. Custom Training auf eigenen Datensätzen ist mit wenigen Hundert annotierten Bildern via Transfer Learning oft praktikabel.

Häufige Fehler

• Falsche Modellgrösse wählen: YOLO bietet verschiedene Grössen (n, s, m, l, x). Wer aus Performance-Gründen zu klein wählt, verliert Accuracy. Wer ohne Latenz-Budget zu gross wählt, verschwendet Compute.
• Anchor-Boxen nicht an Domäne anpassen: Bei Anchor-basierten Versionen sollten Anchors auf die typischen Objektgrössen der eigenen Domäne abgestimmt werden, sonst leidet die Recall stark.
• Augmentation falsch dosieren: Mosaic, MixUp und Cut-Mix sind im YOLO-Training Standard. Zu aggressive Augmentation bei kleinen Datensätzen kann allerdings schaden.
• Confidence-Threshold ohne Validierung wählen: Der Default ist meist nicht optimal. Precision-Recall-Kurve auf eigenem Validierungsset analysieren und Threshold daran ausrichten.
• NMS-Threshold ignorieren: Non-Max Suppression mit zu hohem IoU-Threshold lässt Duplikate durch, mit zu niedrigem löscht es legitime Objekte. Domain-spezifisch tunen.
• Lizenz-Konflikte unterschätzen: Ultralytics YOLO ab v5 steht unter AGPL-3.0. Für kommerzielle Closed-Source-Produkte braucht es einen kommerziellen Lizenzvertrag oder Alternative wie YOLOX (Apache 2.0).
• Vortraining vergessen: Auch eigene Datensätze profitieren stark von COCO-vortrainierten Gewichten. From-Scratch-Training ist nur bei sehr grossen domain-spezifischen Datensätzen sinnvoll.

Abgrenzung

• R-CNN und Faster R-CNN: Zweistufige Detektoren mit Region Proposals. Höhere Genauigkeit bei klassischen Benchmarks, deutlich langsamer als YOLO.
• SSD (Single Shot Detector): Anderer Single-Stage-Detektor von 2016, multi-scale, mit Anchor Boxes. YOLO meist schneller, SSD lange Zeit etwas genauer.
• RetinaNet: Single-Stage mit Focal Loss zur Behandlung von Klassen-Imbalance. Höhere Genauigkeit bei vergleichbarer Geschwindigkeit zu früheren YOLO-Versionen.
• DETR: Transformer-basierter End-to-End-Detektor von 2020. Konzeptuell elegant, aber langsamer als YOLO und schwieriger zu trainieren.
• DINO: Transformer-Detektor mit Denoising Anchor Boxes. State-of-the-Art-Genauigkeit, aber rechenintensiv.
• EfficientDet: Compound-Scaling-Ansatz wie EfficientNet, multi-scale Feature Pyramid. Gute Genauigkeits-Effizienz-Trade-offs.
• Mask R-CNN: Erweiterte Faster R-CNN für Instance Segmentation. YOLO bietet ab v8 ebenfalls Segmentation als Variante.