Poids des modèles
Découvrez l'importance des poids des modèles dans l'apprentissage automatique, leur rôle dans les prédictions, et comment Ultralytics YOLO simplifie leur utilisation pour les tâches d'IA.
Les poids du modèle sont les paramètres numériques d'un réseau neuronal qui sont ajustés au cours du processus de formation. Ces valeurs représentent essentiellement les connaissances acquises par un modèle. En ajustant ces coefficients, le modèle apprend à mettre en correspondance des données d'entrée, telles qu'une image, avec une sortie souhaitée, telle qu'une boîte englobante autour d'un objet. La qualité des poids d'un modèle détermine directement ses performances pour une tâche donnée, telle que la classification d'images ou la détection d'objets.
L'importance des poids pré-entraînés
L'apprentissage d'un modèle de pointe à partir de zéro nécessite d'immenses ressources informatiques et d'énormes ensembles de données. Pour y remédier, la communauté de la vision par ordinateur utilise largement des poids pré-entraînés. Il s'agit de prendre un modèle, comme le modèle YOLO d'Ultralytics, qui a déjà été entraîné sur un grand ensemble de données à usage général comme COCO. Ces poids constituent un excellent point de départ pour une nouvelle tâche spécifique grâce à un processus appelé apprentissage par transfert. En commençant par des poids pré-entraînés, vous pouvez obtenir une plus grande précision avec moins de données et des temps de formation plus courts grâce à un processus connu sous le nom de réglage fin.
Applications dans le monde réel
- Analyse d'images médicales: Un développeur peut prendre un modèle YOLOv8 avec ses poids pré-entraînés et l'affiner sur un ensemble de données personnalisé de scans de tumeurs cérébrales. Le modèle qui en résulte a des poids spécifiquement optimisés pour identifier les motifs subtils des tumeurs, ce qui aide les radiologues à poser leur diagnostic. Il s'agit là d'une application clé de l'IA dans le domaine des soins de santé.
- Gestion des stocks dans le commerce de détail: Une entreprise de vente au détail peut utiliser un modèle pour surveiller les étagères et compter les produits. Un modèle de détection d'objets est affiné à partir d'images des produits du magasin. Les poids finaux permettent au modèle de détecter et de compter avec précision des articles spécifiques pour un suivi automatisé des stocks.
Poids et concepts connexes
Il est important de différencier les poids des modèles des autres termes liés à l'apprentissage automatique :
- Hyperparamètres: Contrairement aux poids, qui sont appris, les hyperparamètres sont configurés avant le début de la formation. Il s'agit par exemple du taux d'apprentissage, de la taille du lot et du choix de l'optimiseur. Le processus de recherche de la meilleure configuration d'hyperparamètres est connu sous le nom de réglage des hyperparamètres.
- Biais: Les poids et les biais sont tous deux des paramètres appris. Toutefois, les poids modifient la sortie d'un neurone, tandis qu'un terme de biais la modifie. Ensemble, ils confèrent à un réseau neuronal la souplesse nécessaire pour s'adapter aux données.
- Architecture du modèle: L'architecture (par exemple, l'épine dorsale ou la tête de détection) est le plan du modèle ; elle définit les couches et la manière dont elles sont connectées. Les poids sont les valeurs au sein de cette structure. La même architecture peut avoir d'innombrables jeux de poids différents en fonction de la façon dont elle a été entraînée. Vous pouvez explorer différentes comparaisons de modèles pour voir comment les architectures varient.
Gestion et suivi des poids
À mesure que les modèles deviennent plus complexes, la gestion de leurs poids et des expériences qui les produisent devient cruciale pour la reproductibilité et la collaboration. Des outils tels que Weights & Biases (W&B) fournissent une plateforme spécifique aux MLOps, permettant aux équipes de suivre les hyperparamètres, les métriques, les versions du code et les poids des modèles qui en résultent pour chaque expérience. Il est important de noter que la plateforme "Weights & Biases" est distincte des concepts de "poids" et de "biais" en tant que paramètres au sein d'un réseau neuronal ; la plateforme aide à gérer le processus de recherche des poids et des biais optimaux. Vous pouvez en savoir plus sur l'intégration d'Ultralytics avec W&B dans la documentation. Une gestion efficace est essentielle pour les tâches allant de l'ajustement des hyperparamètres au déploiement de modèles à l'aide de cadres tels que PyTorch ou TensorFlow. Des plateformes comme Ultralytics HUB fournissent également des solutions intégrées pour gérer l'ensemble du cycle de vie du modèle.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR
Comment les poids sont-ils déterminés ?
Les poids du modèle ne sont pas définis manuellement mais sont "appris" à partir des données. Le processus commence par l'initialisation des poids avec de petits nombres aléatoires. Au cours de l'apprentissage, le modèle fait des prédictions sur les données d'apprentissage et une fonction de perte calcule le degré d'erreur de ces prédictions. Ce signal d'erreur est ensuite utilisé dans un processus appelé rétropropagation pour calculer le gradient de la perte par rapport à chaque poids. Un algorithme d'optimisation, tel que la descente stochastique de gradient (SGD), ajuste ensuite les poids dans la direction opposée au gradient afin de minimiser l'erreur. Ce cycle est répété pendant de nombreuses époques jusqu'à ce que les performances du modèle sur un ensemble de données de validation distinct cessent de s'améliorer, signe qu'il a appris les modèles dans les données.