Model Weights

모델 가중치는 입력 데이터를 예측 출력으로 변환하는 머신러닝 모델 내의 학습 가능한 파라미터입니다. 신경망에서 이러한 가중치는 서로 다른 레이어에 걸쳐 뉴런 간 연결의 강도를 나타냅니다. 모델이 초기화될 때 이러한 가중치는 일반적으로 작고 무작위적인 값으로 설정되므로 모델은 아무것도 "알지" 못합니다. 학습이라는 과정을 통해 모델은 자신이 만든 오류를 기반으로 이러한 가중치를 반복적으로 조정하며, 데이터 내의 패턴, 특징 및 관계를 점진적으로 인식하는 방법을 학습합니다. 모델 가중치를 AI의 "기억" 또는 "지식"이라고 생각할 수 있습니다. 가중치에는 시스템이 학습 데이터에서 학습한 내용이 저장됩니다.

학습에서 가중치의 역할#

신경망 학습의 주요 목표는 모델의 예측값과 실제 정답 간의 오류를 최소화하는 최적의 모델 가중치 집합을 찾는 것입니다. 이 과정에는 네트워크를 통해 데이터를 전달하는 단계인 순전파와 특정 손실 함수를 사용하여 손실값을 계산하는 단계가 포함됩니다. 예측이 잘못된 경우 확률적 경사 하강법(SGD)과 같은 최적화 알고리즘이나 YOLO26에 사용되는 최신 Muon 옵티마이저가 각 가중치가 오류에 기여한 정도를 계산합니다.

역전파라는 기법을 통해 알고리즘은 다음번 오류를 줄일 수 있도록 가중치를 조금씩 업데이트합니다. 이 주기는 모델 가중치가 안정화되고 시스템이 높은 정확도를 달성할 때까지 수천 또는 수백만 번 반복됩니다. 학습이 완료되면 가중치는 "고정"되어 저장되므로, 모델을 새로운 미확인 데이터에 대한 추론에 배포할 수 있습니다.

모델 가중치와 편향#

가중치와 편향은 함께 작동하지만 서로 다른 목적을 수행하므로 구분하는 것이 중요합니다. 모델 가중치는 뉴런 간 연결의 강도와 방향(활성화 함수의 기울기)을 결정하는 반면, 편향은 활성화 함수를 왼쪽 또는 오른쪽으로 이동할 수 있게 합니다. 이러한 오프셋을 통해 모든 입력 특징이 0인 경우에도 모델이 데이터에 더 잘 맞을 수 있습니다. 가중치와 편향은 함께 합성곱 신경망(CNNs)과 같은 아키텍처의 동작을 정의하는 학습 가능한 파라미터를 구성합니다.

실제 적용 사례#

모델 가중치는 AI 시스템이 다양한 산업에서 작동할 수 있도록 하는 핵심 구성 요소입니다. 다음은 가중치가 적용되는 두 가지 구체적인 예입니다.

• 리테일의 컴퓨터 비전: 스마트 슈퍼마켓 시스템에서 YOLO26과 같은 모델은 학습된 가중치를 사용하여 선반 위의 제품을 식별합니다. 가중치는 시리얼 상자의 모양이나 탄산음료 캔의 색상과 같은 시각적 특징을 "학습"하므로, 시스템이 품목을 감지하고 재고를 관리하며 자동 결제 프로세스까지 효율적으로 지원할 수 있습니다.
• 의료 영상 분석: 의료 분야에서 딥러닝 모델은 특수 가중치를 사용하여 X선 또는 MRI 스캔을 분석합니다. 예를 들어, 종양 감지를 위해 학습된 모델은 가중치를 사용하여 건강한 조직과 잠재적인 이상을 구분합니다. 이러한 가중치는 사람의 눈에는 미묘하게 보일 수 있는 픽셀 데이터의 복잡한 비선형 패턴을 포착하여 영상의학 전문의가 더 빠르게 진단할 수 있도록 지원합니다.

가중치 저장 및 로드#

실무에서 모델 가중치를 사용하려면 학습된 파라미터를 파일에 저장하고 나중에 예측 또는 파인튜닝을 위해 로드해야 합니다. Ultralytics 생태계에서는 일반적으로 이러한 가중치를 .pt (PyTorch) 파일로 저장합니다.

다음은 사전 학습된 가중치를 YOLO 모델에 로드하고 예측을 실행하는 간단한 예입니다.

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.")

전이 학습 및 파인튜닝#

모델 가중치의 가장 강력한 특징 중 하나는 이식성입니다. 방대한 데이터셋과 상당한 컴퓨팅 성능이 필요한 모델을 처음부터 학습하는 대신, 개발자는 전이 학습을 자주 사용합니다. 전이 학습은 COCO 또는 ImageNet과 같은 대규모 데이터셋으로 사전 학습된 가중치를 가진 모델을 가져와 특정 작업에 맞게 조정하는 과정입니다.

예를 들어, 일반 객체 감지기에서 얻은 가중치를 가져와 더 작은 태양광 패널 데이터셋으로 파인튜닝할 수 있습니다. 사전 학습된 가중치는 이미 에지, 형태 및 텍스처를 이해하므로 모델이 훨씬 빠르게 수렴하고 레이블이 지정된 데이터도 더 적게 필요합니다. Ultralytics Platform과 같은 도구는 이 과정을 간소화하여 팀이 데이터셋을 관리하고, 클라우드에서 모델을 학습하며, 최적화된 가중치를 엣지 디바이스에 원활하게 배포할 수 있도록 합니다.

압축 및 최적화#

현대 AI 연구는 성능 저하 없이 모델 가중치의 파일 크기를 줄이는 모델 양자화에 초점을 맞추는 경우가 많습니다. 가중치의 정밀도를 낮추면(예: 32비트 부동 소수점에서 8비트 정수로 변경) 개발자는 메모리 사용량을 크게 줄이고 추론 속도를 향상할 수 있습니다. 이는 휴대전화나 Raspberry Pi 디바이스와 같이 리소스가 제한된 하드웨어에 모델을 배포하는 데 매우 중요합니다. 또한 가지치기와 같은 기법은 출력에 거의 기여하지 않는 가중치를 제거하여 실시간 애플리케이션에 맞게 모델을 더욱 간소화합니다.