Model Weights

Los pesos del modelo son los parámetros entrenables de un modelo de aprendizaje automático que transforman los datos de entrada en predicciones de salida. En una red neuronal, estos pesos representan la intensidad de las conexiones entre neuronas de distintas capas. Cuando se inicializa un modelo, estos pesos suelen establecerse en valores pequeños aleatorios, por lo que el modelo «no sabe» nada. Durante el entrenamiento, el modelo ajusta estos pesos de forma iterativa a partir de los errores que comete y aprende gradualmente a reconocer patrones, características y relaciones en los datos. Puedes entender los pesos del modelo como la «memoria» o el «conocimiento» de la IA: almacenan lo que el sistema ha aprendido de sus datos de entrenamiento.

El papel de los pesos en el aprendizaje#

El principal objetivo de entrenar una red neuronal es encontrar el conjunto óptimo de pesos del modelo que minimice el error entre las predicciones del modelo y la verdad fundamental real. Este proceso consiste en pasar los datos por la red —un paso conocido como propagación hacia delante— y después calcular un valor de pérdida mediante una función de pérdida específica. Si la predicción es incorrecta, un algoritmo de optimización, como descenso de gradiente estocástico (SGD) o el optimizador MuSGD (una combinación de Muon y SGD) utilizado en YOLO26, calcula cuánto ha contribuido cada peso al error.

Mediante una técnica llamada retropropagación, el algoritmo actualiza ligeramente los pesos para reducir el error en la siguiente iteración. Este ciclo se repite miles o millones de veces, hasta que los pesos del modelo se estabilizan y el sistema alcanza una gran precisión. Una vez completado el entrenamiento, los pesos se «congelan» y se guardan para implementar el modelo y realizar inferencias con datos nuevos que no ha visto antes.

Pesos del modelo frente a sesgos#

Es importante distinguir entre pesos y sesgos, ya que trabajan conjuntamente, pero cumplen funciones distintas. Mientras que los pesos del modelo determinan la intensidad y la dirección de la conexión entre neuronas (y controlan la pendiente de la activación), los sesgos permiten desplazar la función de activación hacia la izquierda o la derecha. Este desplazamiento permite que el modelo se ajuste mejor a los datos, incluso cuando todas las características de entrada son cero. En conjunto, los pesos y los sesgos forman los parámetros aprendibles que definen el comportamiento de arquitecturas como las redes neuronales convolucionales (CNNs).

Aplicaciones en el mundo real#

Los pesos del modelo son el componente central que permite que los sistemas de IA funcionen en distintos sectores. Estos son dos ejemplos concretos de cómo se aplican:

• Visión artificial en el comercio minorista: En un sistema de supermercado inteligente, un modelo como YOLO26 utiliza sus pesos entrenados para identificar productos en una estantería. Los pesos han «aprendido» características visuales, como la forma de una caja de cereales o el color de una lata de refresco, lo que permite al sistema detectar artículos, gestionar el inventario e incluso facilitar procesos de pago automatizados de forma eficiente.
• Análisis de imágenes médicas: En el ámbito sanitario, los modelos de aprendizaje profundo utilizan pesos especializados para analizar radiografías o resonancias magnéticas. Por ejemplo, un modelo entrenado para la detección de tumores utiliza sus pesos para distinguir el tejido sano de posibles anomalías. Estos pesos capturan patrones complejos y no lineales en los datos de píxeles que pueden pasar desapercibidos para el ojo humano y ayudan a los radiólogos a realizar diagnósticos con mayor rapidez.

Guardar y cargar pesos#

En la práctica, trabajar con los pesos de un modelo implica guardar los parámetros entrenados en un archivo y cargarlos más adelante para realizar predicciones o ajustar el modelo. En el ecosistema Ultralytics, suelen guardarse como archivos .pt (PyTorch.

Aquí tienes un ejemplo sencillo de cómo cargar pesos preentrenados en un modelo YOLO y realizar una predicción:

from ultralytics import YOLO

# Load a model with pre-trained weights (e.g., YOLO26n)
model = YOLO("yolo26n.pt")

# Run inference on an image using the loaded weights
results = model("https://ultralytics.com/images/bus.jpg")

# Print the number of detected objects
print(f"Detected {len(results[0].boxes)} objects.")

Aprendizaje por transferencia y ajuste fino#

Una de las características más potentes de los pesos del modelo es que se pueden reutilizar. En lugar de entrenar un modelo desde cero —lo que requiere conjuntos de datos enormes y una gran capacidad de cálculo—, los desarrolladores suelen recurrir al aprendizaje por transferencia. Este método consiste en tomar un modelo con pesos preentrenados en un conjunto de datos grande, como COCO o ImageNet, y adaptarlo a una tarea específica.

Por ejemplo, puedes tomar los pesos de un detector de objetos de propósito general y ajustarlos con un conjunto de datos más pequeño de paneles solares. Como los pesos preentrenados ya reconocen bordes, formas y texturas, el modelo converge mucho más rápido y necesita menos datos etiquetados. Herramientas como la plataforma Ultralytics simplifican este proceso y permiten a los equipos gestionar conjuntos de datos, entrenar modelos en la nube e implementar pesos optimizados en dispositivos periféricos sin complicaciones.

Compresión y optimización#

La investigación moderna en IA suele centrarse en reducir el tamaño de los archivos de pesos del modelo sin sacrificar el rendimiento, un proceso conocido como cuantización del modelo. Al reducir la precisión de los pesos (por ejemplo, pasar de coma flotante de 32 bits a enteros de 8 bits), los desarrolladores pueden reducir considerablemente el uso de memoria y mejorar la velocidad de inferencia. Esto es fundamental para implementar modelos en hardware con recursos limitados, como móviles o dispositivos Raspberry Pi. Además, técnicas como la poda eliminan los pesos que apenas influyen en la salida y optimizan aún más el modelo para aplicaciones en tiempo real.