Model Weights

モデル重みとは、機械学習モデル内の学習可能なパラメータであり、入力データを予測出力へと変換するものです。ニューラルネットワークにおいて、これらの重みは異なる層のニューロン間における接続の強さを表します。モデルが初期化された際、これらの重みは通常、ランダムな小さい値に設定されます。つまり、モデルは何も「知らない」状態です。トレーニングと呼ばれるプロセスを通じて、モデルは自身が行った誤差に基づいてこれらの重みを繰り返し調整し、データ内のパターン、特徴、および関係性を認識することを徐々に学習していきます。モデル重みはAIの「記憶」や「知識」と考えることができ、トレーニングデータからシステムが学習した内容がそこに保持されています。

Link to this section学習における重みの役割#

ニューラルネットワークのトレーニングの主な目的は、モデルの予測と実際の正解（グランドトゥルース）との間の誤差を最小化する最適なモデル重みのセットを見つけることです。このプロセスには、データをネットワークに通すステップ（フォワードパスと呼ばれます）と、特定の損失関数を使用して損失値を計算するステップが含まれます。予測が正しくない場合、Stochastic Gradient Descent (SGD)やYOLO26で使用される新しいMuonオプティマイザのような最適化アルゴリズムが、各重みが誤差にどれだけ寄与したかを計算します。

バックプロパゲーションと呼ばれる手法を通じて、アルゴリズムは重みをわずかに更新し、次回の誤差を減らします。このサイクルは、モデル重みが安定し、システムが高い精度を達成するまで数千回または数百万回繰り返されます。トレーニングが完了すると、重みは「凍結」されて保存され、モデルは新しい未知のデータに対する推論のためにデプロイ可能になります。

Link to this sectionモデル重みとバイアス#

重みとバイアスは連携して動作しますが、異なる目的を果たすため、両者を区別することが重要です。モデル重みがニューロン間の接続の強さと方向を決定する（活性化の傾きを制御する）のに対し、バイアスは活性化関数を左右にシフトさせることを可能にします。このオフセットにより、すべての入力特徴がゼロである場合でも、モデルがデータをより適切に適合できるようになります。重みとバイアスは一体となって、畳み込みニューラルネットワーク (CNN)のようなアーキテクチャの挙動を定義する学習可能なパラメータを形成します。

Link to this section実社会での応用#

モデル重みは、AIシステムがさまざまな業界で機能することを可能にする核心的なコンポーネントです。その応用例として、以下の2つの具体的な事例を挙げます。

• 小売におけるコンピュータビジョン： スマートスーパーマーケットシステムでは、YOLO26のようなモデルが、トレーニングされた重みを使用して棚の商品を識別します。重みはシリアルの箱の形状や炭酸飲料缶の色といった視覚的特徴を「学習」しており、それによってシステムが商品を検出し、在庫を管理し、さらには自動チェックアウトプロセスを効率的に促進することが可能になります。
• 医療画像解析： ヘルスケアの分野では、ディープラーニングモデルは特殊な重みを利用してX線やMRIスキャンを解析します。腫瘍検出のためにトレーニングされたモデルは、重みを使用して健康な組織と潜在的な異常を区別します。これらの重みは、人間の目には捉えにくいような画素データ内の複雑で非線形なパターンを捉え、放射線科医がより迅速な診断を下せるよう支援します。

Link to this section重みの保存と読み込み#

実務においてモデル重みを扱う際は、トレーニング済みのパラメータをファイルに保存し、後で予測やファインチューニングのために読み込む作業が発生します。Ultralyticsエコシステムでは、これらは通常.pt (PyTorch)ファイルとして保存されます。

以下は、トレーニング済みの重みをYOLOモデルに読み込み、予測を実行する簡単な例です。

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 section転移学習とファインチューニング#

モデル重みの最も強力な側面の一つは、その移植性です。膨大なデータセットと多大な計算リソースを必要とするモデルのゼロからのトレーニングを行う代わりに、開発者はよく転移学習を活用します。これには、COCOやImageNetのような大規模なデータセットで事前にトレーニングされた重みを持つモデルを採用し、それを特定のタスクに適応させることが含まれます。

例えば、汎用的な物体検出器の重みを取得し、ソーラーパネルの小規模なデータセットでファインチューニングを行うことが考えられます。事前トレーニング済みの重みはすでにエッジ、形状、テクスチャを理解しているため、モデルの収束ははるかに高速になり、必要なラベル付きデータも少なくて済みます。Ultralytics Platformのようなツールはこのプロセスを簡素化し、チームがデータセットの管理、クラウド上でのモデルトレーニング、および最適化された重みのエッジデバイスへのシームレスなデプロイを行えるようにします。

Link to this section圧縮と最適化#

現代のAI研究では、パフォーマンスを犠牲にすることなくモデル重みのファイルサイズを削減することに重点が置かれることが多く、このプロセスはモデル量子化として知られています。重みの精度を（例：32ビット浮動小数点数から8ビット整数へ）下げることで、開発者はメモリ使用量を大幅に削減し、推論速度を向上させることができます。これは、モバイルフォンやRaspberry Piデバイスのようなリソースが制限されたハードウェアにモデルをデプロイする上で極めて重要です。さらに、プルーニングのような手法では出力にほとんど寄与しない重みを除去し、リアルタイムアプリケーション向けにモデルをさらに効率化します。