Model Weights

I pesi del modello sono i parametri apprendibili all'interno di un modello di machine learning che trasformano i dati in input in output previsti. In una rete neurale, questi pesi rappresentano l'intensità delle connessioni tra i neuroni attraverso diversi strati. Quando un modello viene inizializzato, questi pesi sono solitamente impostati su valori casuali e piccoli, il che significa che il modello non "sa" nulla. Attraverso un processo chiamato addestramento, il modello regola iterativamente questi pesi in base agli errori che commette, imparando gradualmente a riconoscere modelli, caratteristiche e relazioni all'interno dei dati. Puoi pensare ai pesi del modello come alla "memoria" o alla "conoscenza" dell'IA; essi archiviano ciò che il sistema ha appreso dai suoi dati di addestramento.

Link to this sectionIl ruolo dei pesi nell'apprendimento#

L'obiettivo principale dell'addestramento di una rete neurale è trovare l'insieme ottimale di pesi del modello che minimizzi l'errore tra le previsioni del modello e la reale ground truth. Questo processo prevede il passaggio dei dati attraverso la rete (un passaggio noto come forward pass) e quindi il calcolo di un valore di perdita utilizzando una specifica funzione di perdita. Se la previsione è errata, un algoritmo di ottimizzazione come Stochastic Gradient Descent (SGD) o il più recente ottimizzatore Muon utilizzato in YOLO26 calcola quanto ciascun peso ha contribuito all'errore.

Attraverso una tecnica chiamata backpropagation, l'algoritmo aggiorna leggermente i pesi per ridurre l'errore per la volta successiva. Questo ciclo si ripete migliaia o milioni di volte finché i pesi del modello non si stabilizzano e il sistema raggiunge un'elevata precisione. Una volta completato l'addestramento, i pesi vengono "congelati" e salvati, consentendo al modello di essere distribuito per l'inferenza su dati nuovi e mai visti.

Link to this sectionPesi del modello vs. Bias#

È importante distinguere tra pesi e bias, poiché lavorano insieme ma hanno scopi diversi. Mentre i pesi del modello determinano l'intensità e la direzione della connessione tra i neuroni (controllando la pendenza dell'attivazione), i bias consentono alla funzione di attivazione di essere spostata a sinistra o a destra. Questo offset assicura che il modello possa adattarsi meglio ai dati, anche quando tutte le caratteristiche di input sono zero. Insieme, pesi e bias formano i parametri apprendibili che definiscono il comportamento di architetture come le Reti Neurali Convoluzionali (CNN).

Link to this sectionApplicazioni nel mondo reale#

I pesi del modello sono la componente fondamentale che consente ai sistemi di IA di funzionare in vari settori. Ecco due esempi concreti di come vengono applicati:

• Computer Vision nella vendita al dettaglio: In un sistema di supermercato intelligente, un modello come YOLO26 utilizza i suoi pesi addestrati per identificare i prodotti su uno scaffale. I pesi hanno "appreso" caratteristiche visive, come la forma di una scatola di cereali o il colore di una lattina di bibita, consentendo al sistema di rilevare gli articoli, gestire l'inventario e persino facilitare i processi di cassa automatizzati in modo efficiente.
• Analisi di immagini mediche: Nel settore sanitario, i modelli di deep learning utilizzano pesi specializzati per analizzare radiografie o scansioni MRI. Ad esempio, un modello addestrato per il rilevamento di tumori utilizza i suoi pesi per distinguere tra tessuto sano e potenziali anomalie. Questi pesi catturano modelli complessi e non lineari nei dati dei pixel che potrebbero essere sottili per l'occhio umano, assistendo i radiologi nel formulare diagnosi più rapide.

Link to this sectionSalvataggio e caricamento dei pesi#

In pratica, lavorare con i pesi del modello comporta il salvataggio dei parametri addestrati in un file e il loro successivo caricamento per la previsione o il fine-tuning. Nell'ecosistema Ultralytics, questi vengono solitamente archiviati come file .pt (PyTorch).

Ecco un semplice esempio di come caricare pesi pre-addestrati in un modello YOLO ed eseguire una previsione:

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.")

Link to this sectionTransfer Learning e fine-tuning#

Uno degli aspetti più potenti dei pesi del modello è la loro portabilità. Invece di addestrare un modello da zero, il che richiede enormi dataset e una notevole potenza di calcolo, gli sviluppatori spesso utilizzano il transfer learning. Ciò comporta l'utilizzo di un modello con pesi pre-addestrati su un ampio dataset come COCO o ImageNet e il suo adattamento a un compito specifico.

Ad esempio, potresti prendere i pesi da un rilevatore di oggetti generico ed effettuare il fine-tuning su un dataset più piccolo di pannelli solari. Poiché i pesi pre-addestrati comprendono già bordi, forme e texture, il modello converge molto più rapidamente e richiede meno dati etichettati. Strumenti come la Piattaforma Ultralytics semplificano questo processo, consentendo ai team di gestire i dataset, addestrare modelli sul cloud e distribuire pesi ottimizzati su dispositivi edge in modo fluido.

Link to this sectionCompressione e ottimizzazione#

La ricerca moderna sull'IA si concentra spesso sulla riduzione delle dimensioni del file dei pesi del modello senza sacrificare le prestazioni, un processo noto come quantizzazione del modello. Riducendo la precisione dei pesi (ad esempio, da virgola mobile a 32 bit a interi a 8 bit), gli sviluppatori possono ridurre significativamente l'utilizzo della memoria e migliorare la velocità di inferenza. Questo è fondamentale per distribuire modelli su hardware con risorse limitate come telefoni cellulari o dispositivi Raspberry Pi. Inoltre, tecniche come il pruning rimuovono i pesi che contribuiscono poco all'output, snellendo ulteriormente il modello per applicazioni in tempo reale.