Model Weights

모델 가중치는 머신 러닝 모델 내의 학습 가능한 파라미터로, 입력 데이터를 예측된 출력으로 변환합니다. 신경망에서 이러한 가중치는 서로 다른 층의 뉴런 간 연결 강도를 나타냅니다. 모델이 초기화될 때 이 가중치들은 일반적으로 작고 무작위인 값으로 설정되는데, 이는 모델이 아무것도 '알지' 못한다는 것을 의미합니다. 학습이라는 과정을 통해 모델은 자신이 범한 오류를 바탕으로 가중치를 반복적으로 조정하며, 데이터 내의 패턴, 특징, 관계를 점진적으로 인식하게 됩니다. 모델 가중치는 AI의 '메모리'나 '지식'으로 생각할 수 있으며, 시스템이 학습 데이터로부터 무엇을 배웠는지를 저장합니다.

Link to this section학습에서 가중치의 역할#

신경망 학습의 주된 목표는 모델의 예측값과 실제 정답(ground truth) 사이의 오차를 최소화하는 최적의 모델 가중치 세트를 찾는 것입니다. 이 과정은 데이터를 네트워크에 통과시키는 순전파(forward pass) 단계와 특정 손실 함수를 사용하여 손실 값을 계산하는 단계를 포함합니다. 예측이 부정확할 경우 Stochastic Gradient Descent (SGD)와 같은 최적화 알고리즘이나 YOLO26에서 사용되는 최신 Muon 옵티마이저가 각 가중치가 오차에 얼마나 기여했는지를 계산합니다.

역전파(backpropagation)라고 하는 기술을 통해 알고리즘은 다음번 오차를 줄이기 위해 가중치를 약간씩 업데이트합니다. 이 주기는 모델 가중치가 안정화되고 시스템이 높은 정확도를 달성할 때까지 수천 번 또는 수백만 번 반복됩니다. 학습이 완료되면 가중치는 '고정(frozen)'되어 저장되며, 이를 통해 모델을 새로운 미지의 데이터에 대한 추론(inference)에 배포할 수 있게 됩니다.

Link to this section모델 가중치와 편향의 차이#

가중치와 편향은 함께 작동하지만 서로 다른 목적을 수행하므로 이 둘을 구분하는 것이 중요합니다. 모델 가중치가 뉴런 간 연결의 강도와 방향을 결정하여 활성화 기울기를 제어하는 반면, **편향(biases)**은 활성화 함수를 좌우로 이동시킬 수 있게 합니다. 이러한 오프셋은 모든 입력 특성이 0일 때조차도 모델이 데이터를 더 잘 적합할 수 있도록 보장합니다. 가중치와 편향은 함께 합성곱 신경망(CNN)과 같은 아키텍처의 동작을 정의하는 학습 가능한 파라미터를 형성합니다.

Link to this section실제 애플리케이션 사례#

모델 가중치는 AI 시스템이 다양한 산업 전반에서 작동할 수 있게 하는 핵심 요소입니다. 다음은 가중치가 어떻게 적용되는지에 대한 두 가지 구체적인 예시입니다.

• 리테일 분야의 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'하여 시스템이 품목을 감지하고, 재고를 관리하며, 심지어 효율적인 자동 결제 프로세스를 지원할 수 있게 합니다.
• 의료 영상 분석: 헬스케어 분야에서 딥러닝 모델은 특수 가중치를 활용하여 엑스레이나 MRI 스캔을 분석합니다. 예를 들어 종양 탐지를 위해 학습된 모델은 가중치를 사용하여 건강한 조직과 잠재적인 이상 징후를 구분합니다. 이 가중치들은 인간의 눈으로는 미세할 수 있는 픽셀 데이터의 복잡하고 비선형적인 패턴을 포착하여 방사선 전문의가 더 빠르게 진단할 수 있도록 지원합니다.

Link to this section가중치 저장 및 불러오기#

실무에서 모델 가중치를 다루는 것은 학습된 파라미터를 파일로 저장하고, 나중에 예측이나 미세 조정(fine-tuning)을 위해 이를 불러오는 과정을 포함합니다. Ultralytics 생태계에서 이러한 가중치는 일반적으로 .pt (PyTorch) 파일로 저장됩니다.

다음은 사전 학습된 가중치를 YOLO 모델에 불러와서 예측을 실행하는 간단한 예시입니다.

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 section전이 학습과 미세 조정#

모델 가중치의 가장 강력한 장점 중 하나는 이식성입니다. 방대한 데이터셋과 엄청난 컴퓨팅 파워가 필요한 모델을 처음부터 학습시키는 대신, 개발자들은 종종 전이 학습(transfer learning)을 사용합니다. 이는 COCO나 ImageNet과 같은 대규모 데이터셋에서 미리 학습된 가중치를 가진 모델을 가져와 특정 작업에 맞게 조정하는 것을 포함합니다.

예를 들어, 일반 객체 탐지기의 가중치를 가져와 태양광 패널과 같은 더 작은 데이터셋으로 미세 조정할 수 있습니다. 사전 학습된 가중치는 이미 가장자리, 모양, 질감을 이해하고 있기 때문에 모델이 훨씬 더 빠르게 수렴하며 더 적은 레이블링 데이터만으로도 충분합니다. Ultralytics Platform과 같은 도구는 이 과정을 단순화하여 팀이 데이터셋을 관리하고, 클라우드에서 모델을 학습시키며, 최적화된 가중치를 엣지 디바이스에 원활하게 배포할 수 있도록 합니다.

Link to this section압축 및 최적화#

현대 AI 연구는 성능 저하 없이 모델 가중치의 파일 크기를 줄이는 데 종종 초점을 맞추며, 이를 모델 양자화(model quantization)라고 합니다. 가중치의 정밀도를 낮춤으로써(예: 32비트 부동 소수점에서 8비트 정수로 변환), 개발자는 메모리 사용량을 크게 줄이고 추론 속도를 향상할 수 있습니다. 이는 휴대폰이나 Raspberry Pi 디바이스와 같이 리소스가 제한된 하드웨어에 모델을 배포할 때 매우 중요합니다. 또한, 가지치기(pruning)와 같은 기술은 출력에 거의 기여하지 않는 가중치를 제거하여 실시간 애플리케이션을 위해 모델을 더욱 간소화합니다.