Model Weights

Les poids d’un modèle sont les paramètres apprenables d’un modèle d’apprentissage automatique qui transforment les données d’entrée en sorties prédites. Dans un réseau de neurones, ces poids représentent la force des connexions entre les neurones des différentes couches. À l’initialisation du modèle, ces poids prennent généralement de petites valeurs aléatoires : le modèle ne « sait » donc rien. Lors d’un processus appelé entraînement, le modèle ajuste ces poids de manière itérative en fonction de ses erreurs et apprend progressivement à reconnaître des motifs, des caractéristiques et des relations dans les données. On peut 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 consiste à trouver l’ensemble optimal de poids du modèle qui minimise l’erreur entre ses prédictions 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 l’optimiseur MuSGD (un hybride de Muon et SGD) utilisé dans YOLO26 calcule la contribution de chaque poids à l’erreur.

Grâce à une technique appelée rétropropagation, l’algorithme ajuste légèrement les poids pour réduire l’erreur à l’étape 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 « figés » et sauvegardés, ce qui permet de déployer le modèle pour réaliser des inférences sur de nouvelles données qu’il n’a jamais vues.

Poids et biais du modèle#

Il est important de distinguer les poids des biais : ils agissent ensemble, mais remplissent des fonctions différentes. Les poids du modèle déterminent la force et la direction de la connexion entre les neurones (et contrôlent la pente de l’activation), tandis que les biais permettent de décaler la fonction d’activation vers la gauche ou la droite. Ce décalage permet au modèle de mieux ajuster les 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 comme les réseaux neuronaux convolutifs (CNNs).

Applications concrètes#

Les poids du modèle sont un élément central qui permet aux systèmes d’IA de fonctionner dans différents secteurs. Voici deux exemples concrets de leur utilisation :

• Vision par ordinateur dans le commerce de détail : Dans un 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 — qui permettent au système de détecter les articles, de gérer les stocks et même de faciliter les passages en caisse automatisés.
• Analyse d’images médicales : Dans le domaine de la santé, les modèles d’apprentissage profond utilisent des poids spécialisés pour analyser les radiographies ou les IRM. Par exemple, un modèle entraîné à la détection des 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, parfois subtils à l’œil humain, et aident les radiologues à établir des diagnostics plus rapidement.

Enregistrer et charger des poids#

En pratique, travailler avec les poids du modèle consiste à enregistrer les paramètres entraînés dans un fichier, puis à les charger pour effectuer des prédictions ou un ajustement 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 principaux atouts des poids d’un modèle est leur portabilité. Au lieu 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 méthode consiste à prendre un modèle dont les poids ont été préentraînés sur un grand jeu de données comme COCO ou ImageNet et à l’adapter à une tâche spécifique.

Par exemple, tu peux prendre les poids d’un détecteur d’objets généraliste et les ajuster sur un jeu de données plus petit de panneaux solaires. Comme les poids préentraînés reconnaissent déjà les contours, les formes et les textures, le modèle converge beaucoup plus vite et nécessite moins de données étiquetées. Des outils comme la plateforme Ultralytics simplifient ce processus : les équipes peuvent gérer les jeux de données, entraîner des modèles dans le cloud et déployer facilement des poids optimisés sur des appareils en périphérie.

Compression et optimisation#

La recherche moderne en IA vise souvent à réduire la taille des fichiers de poids du modèle sans sacrifier les performances. Ce processus s’appelle la quantification de modèle. En réduisant la précision des poids (par exemple, en passant 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. C’est essentiel 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 au résultat et allègent encore davantage le modèle pour les applications en temps réel.