Model Weights

Les poids du modèle sont les paramètres apprenables d'un modèle de machine learning qui transforment les données d'entrée en sorties prédites. Dans un réseau neuronal, ces poids représentent la force des connexions entre les neurones à travers les différentes couches. Lorsqu'un modèle est initialisé, ces poids sont généralement définis sur de petites valeurs aléatoires, ce qui signifie que le modèle ne « sait » rien. Au cours d'un processus appelé entraînement, le modèle ajuste progressivement ces poids en fonction des erreurs qu'il commet, apprenant ainsi peu à peu à reconnaître les motifs, les caractéristiques et les relations présents dans les données. Tu peux considérer les poids du modèle comme la « mémoire » ou les « connaissances » de l'IA : ils stockent ce que le système a appris à partir de ses données d'entraînement.

Rôle des poids dans l'apprentissage#

L'objectif principal de l'entraînement d'un réseau neuronal est de trouver l'ensemble optimal de poids du modèle qui minimise l'écart entre les prédictions du modèle et la vérité terrain. Ce processus consiste à faire passer les données dans le réseau — une étape appelée propagation avant — puis à calculer une valeur de perte à l'aide d'une fonction de perte spécifique. Si la prédiction est incorrecte, un algorithme d'optimisation comme la descente de gradient stochastique (SGD) ou le nouvel optimiseur Muon utilisé dans YOLO26 calcule la contribution de chaque poids à l'erreur.

Grâce à une technique appelée rétropropagation, l'algorithme met légèrement à jour les poids afin de réduire l'erreur lors de l'itération suivante. Ce cycle se répète des milliers ou des millions de fois, jusqu'à ce que les poids du modèle se stabilisent et que le système atteigne une grande précision. Une fois l'entraînement terminé, les poids sont « gelés » et enregistrés, ce qui permet de déployer le modèle pour l'inférence sur de nouvelles données inédites.

Poids du modèle et biais#

Il est important de distinguer les poids des biais, car ils fonctionnent ensemble tout en ayant des rôles différents. Alors que les poids du modèle déterminent la force et la direction de la connexion entre les neurones (en contrôlant la pente de l'activation), les biais permettent de décaler la fonction d'activation vers la gauche ou la droite. Ce décalage garantit que le modèle peut mieux s'ajuster aux données, même lorsque toutes les caractéristiques d'entrée sont nulles. Ensemble, les poids et les biais forment les paramètres apprenables qui définissent le comportement d'architectures telles que les réseaux neuronaux convolutifs (CNNs).

Applications concrètes#

Les poids du modèle sont le composant central qui permet aux systèmes d'IA de fonctionner dans divers secteurs. Voici deux exemples concrets de leur utilisation :

• Vision par ordinateur dans le commerce de détail : dans un système de supermarché intelligent, un modèle comme YOLO26 utilise ses poids entraînés pour identifier les produits en rayon. Les poids ont « appris » des caractéristiques visuelles — comme la forme d'une boîte de céréales ou la couleur d'une canette de soda — ce qui permet au système de détecter les articles, de gérer les stocks et même de faciliter efficacement les processus de paiement automatisé.
• Analyse d'images médicales : dans le secteur de la santé, les modèles de deep learning utilisent des poids spécialisés pour analyser des radiographies ou des IRM. Par exemple, un modèle entraîné pour la détection de tumeurs utilise ses poids pour distinguer les tissus sains des anomalies potentielles. Ces poids capturent des motifs complexes et non linéaires dans les données de pixels qui peuvent être difficiles à percevoir à l'œil humain, aidant ainsi les radiologues à établir plus rapidement leurs diagnostics.

Enregistrer et charger les poids#

En pratique, travailler avec les poids d'un modèle consiste à enregistrer les paramètres entraînés dans un fichier, puis à les charger ultérieurement pour effectuer des prédictions ou un réglage fin. Dans l'écosystème Ultralytics, ils sont généralement enregistrés dans des fichiers .pt (PyTorch).

Voici un exemple simple de chargement de poids préentraînés dans un modèle YOLO et d'exécution d'une prédiction :

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.")

Apprentissage par transfert et réglage fin#

L'un des aspects les plus puissants des poids de modèle est leur portabilité. Plutôt que d'entraîner un modèle à partir de zéro — ce qui nécessite d'immenses jeux de données et une puissance de calcul considérable — les développeurs utilisent souvent l'apprentissage par transfert. Cette approche consiste à prendre un modèle dont les poids ont été préentraînés sur un vaste jeu de données comme COCO ou ImageNet, puis à l'adapter à une tâche spécifique.

Par exemple, tu peux prendre les poids d'un détecteur d'objets généraliste et les affiner sur un jeu de données plus petit de panneaux solaires. Comme les poids préentraînés comprennent déjà les contours, les formes et les textures, le modèle converge beaucoup plus rapidement et nécessite moins de données annotées. Des outils comme l'Ultralytics Platform simplifient ce processus en permettant aux équipes de gérer les jeux de données, d'entraîner des modèles dans le cloud et de déployer facilement des poids optimisés sur des appareils edge.

Compression et optimisation#

La recherche moderne en IA s'intéresse souvent à la réduction de la taille des fichiers contenant les poids des modèles sans sacrifier les performances, un processus appelé quantification des modèles. En réduisant la précision des poids (par exemple, de nombres à virgule flottante sur 32 bits à des entiers sur 8 bits), les développeurs peuvent diminuer considérablement l'utilisation de la mémoire et accélérer l'inférence. Cette optimisation est essentielle pour déployer des modèles sur du matériel aux ressources limitées, comme les téléphones mobiles ou les appareils Raspberry Pi. De plus, des techniques comme l'élagage suppriment les poids qui contribuent peu à la sortie, ce qui rationalise davantage le modèle pour les applications en temps réel.