YOLO Vision 2025にご期待ください！
2025年9月25日
10:00 — 18:00（英国夏時間）
ハイブリッドイベント
機械学習におけるモデルの重みの重要性、予測における役割、そしてUltralytics YOLOがAIタスクでの利用をどのように簡素化するかを解説します。
モデルの重みとは、ニューラルネットワーク内の数値パラメータであり、トレーニングプロセス中に調整されます。これらの値は、基本的にモデルの学習された知識を表します。これらを非常に複雑な方程式の係数と考えてください。これらの係数を調整することで、モデルは画像などの入力データを、オブジェクトの周りのバウンディングボックスなどの目的の出力にマッピングすることを学習します。モデルの重みの品質は、画像分類や物体検出など、特定のタスクにおけるモデルのパフォーマンスを直接決定します。
モデルの重みは手動で設定されるのではなく、データから「学習」されます。プロセスは、重みを小さな乱数で初期化することから始まります。トレーニング中、モデルはトレーニングデータに基づいて予測を行い、損失関数がこれらの予測がどれだけ間違っているかを計算します。このエラー信号は、バックプロパゲーションと呼ばれるプロセスで使用され、各重みに関する損失の勾配を計算します。最適化アルゴリズム（確率的勾配降下法（SGD）など）は、エラーを最小限に抑えるために、勾配の反対方向に重みを調整します。このサイクルは、別の検証データセットに対するモデルのパフォーマンスが向上しなくなるまで、多くのエポック繰り返されます。これは、モデルがデータ内のパターンを学習したことを示す兆候です。
最先端のモデルをゼロからトレーニングするには、膨大な計算リソースと大規模なデータセットが必要です。これを克服するために、コンピュータビジョンコミュニティでは、事前トレーニング済みの重みが広く使用されています。これには、COCOなどの大規模な汎用データセットで既にトレーニングされているUltralytics YOLOモデルのようなモデルを使用することが含まれます。これらの重みは、転移学習と呼ばれるプロセスを通じて、新しい特定のタスクの優れた出発点として機能します。事前トレーニング済みの重みから始めることで、ファインチューニングとして知られるプロセスを通じて、より少ないデータとより短いトレーニング時間でより高い精度を実現できます。
モデルの重みを、機械学習における他の関連用語と区別することが重要です。
モデルが複雑になるにつれて、モデルの重みと、それらを生成する実験を管理することが、再現性とコラボレーションにとって重要になります。Weights & Biases（W&B）のようなツールは、MLOps専用のプラットフォームを提供し、チームが各実験のハイパーパラメータ、メトリクス、コードバージョン、および結果として得られるモデルの重みを追跡できるようにします。プラットフォームとしての「Weights & Biases」は、ニューラルネットワーク内のパラメータとしての「重み」および「バイアス」の概念とは異なることに注意することが重要です。このプラットフォームは、最適な重みとバイアスを見つけるプロセスを管理するのに役立ちます。UltralyticsとW&Bの統合については、ドキュメントで詳しく学ぶことができます。効率的な管理は、ハイパーパラメータの調整から、PyTorchやTensorFlowのようなフレームワークを使用したモデルのデプロイまで、さまざまなタスクの鍵となります。Ultralytics HUBのようなプラットフォームも、モデルのライフサイクル全体を管理するための統合ソリューションを提供します。
