Model Weights

Trọng số mô hình (model weights) là các tham số có thể học được trong một mô hình học máy, đóng vai trò chuyển đổi dữ liệu đầu vào thành các dự đoán đầu ra. Trong mạng thần kinh, các trọng số này thể hiện độ mạnh của các kết nối giữa các neuron trên các lớp khác nhau. Khi một mô hình được khởi tạo, các trọng số này thường được đặt thành các giá trị nhỏ ngẫu nhiên, nghĩa là mô hình chưa "biết" gì cả. Thông qua một quá trình gọi là huấn luyện, mô hình điều chỉnh dần các trọng số này dựa trên các lỗi mà nó tạo ra, từ đó học cách nhận diện các mẫu, đặc trưng và mối quan hệ trong dữ liệu. Bạn có thể coi trọng số mô hình như "bộ nhớ" hoặc "kiến thức" của AI; chúng lưu trữ những gì hệ thống đã học được từ dữ liệu huấn luyện của nó.

Link to this sectionVai trò của trọng số trong học tập#

Mục tiêu chính của việc huấn luyện mạng thần kinh là tìm ra tập hợp trọng số mô hình tối ưu giúp giảm thiểu sai số giữa dự đoán của mô hình và kết quả thực tế (ground truth). Quá trình này bao gồm việc truyền dữ liệu qua mạng—một bước được gọi là lan truyền tiến (forward pass)—và sau đó tính toán giá trị mất mát bằng một hàm mất mát cụ thể. Nếu dự đoán không chính xác, một thuật toán tối ưu hóa như Stochastic Gradient Descent (SGD) hoặc trình tối ưu hóa Muon mới hơn được sử dụng trong YOLO26 sẽ tính toán mức độ đóng góp của từng trọng số vào sai số đó.

Thông qua một kỹ thuật gọi là backpropagation, thuật toán cập nhật các trọng số một chút để giảm sai số cho lần tiếp theo. Chu trình này lặp lại hàng nghìn hoặc hàng triệu lần cho đến khi các trọng số mô hình ổn định và hệ thống đạt được độ chính xác cao. Sau khi quá trình huấn luyện hoàn tất, các trọng số được "đóng băng" và lưu lại, cho phép mô hình được triển khai để suy luận trên dữ liệu mới chưa từng thấy.

Link to this sectionTrọng số mô hình và Biases#

Điều quan trọng là phải phân biệt được trọng số và biases, vì chúng hoạt động cùng nhau nhưng phục vụ các mục đích khác nhau. Trong khi trọng số mô hình xác định độ mạnh và hướng của kết nối giữa các neuron (điều khiển độ dốc của hàm kích hoạt), biases cho phép hàm kích hoạt được dịch chuyển sang trái hoặc phải. Sự bù trừ này đảm bảo rằng mô hình có thể khớp với dữ liệu tốt hơn, ngay cả khi tất cả các đặc trưng đầu vào đều bằng không. Cùng với nhau, trọng số và biases tạo thành các tham số có thể học được định nghĩa nên hành vi của các kiến trúc như Convolutional Neural Networks (CNNs).

Link to this sectionCác ứng dụng trong thực tế#

Trọng số mô hình là thành phần cốt lõi giúp các hệ thống AI hoạt động trên nhiều ngành công nghiệp khác nhau. Dưới đây là hai ví dụ cụ thể về cách chúng được áp dụng:

• Thị giác máy tính trong bán lẻ: Trong một hệ thống siêu thị thông minh, một mô hình như YOLO26 sử dụng các trọng số đã được huấn luyện để nhận diện sản phẩm trên kệ hàng. Các trọng số này đã "học" được các đặc trưng hình ảnh—như hình dạng của một hộp ngũ cốc hoặc màu sắc của một lon nước ngọt—cho phép hệ thống phát hiện các mặt hàng, quản lý kho bãi và thậm chí tạo điều kiện cho các quy trình thanh toán tự động một cách hiệu quả.
• Phân tích hình ảnh y tế: Trong chăm sóc sức khỏe, các mô hình học sâu sử dụng các trọng số chuyên dụng để phân tích phim X-quang hoặc quét MRI. Ví dụ, một mô hình được huấn luyện để phát hiện khối u sử dụng các trọng số của nó để phân biệt giữa mô lành và các bất thường tiềm ẩn. Các trọng số này nắm bắt được các mẫu phi tuyến tính phức tạp trong dữ liệu pixel mà mắt người có thể khó nhận thấy, hỗ trợ các bác sĩ chẩn đoán hình ảnh đưa ra chẩn đoán nhanh hơn.

Link to this sectionLưu và tải trọng số#

Trong thực tế, việc làm việc với trọng số mô hình bao gồm việc lưu các tham số đã huấn luyện vào một tệp và tải chúng sau đó để dự đoán hoặc tinh chỉnh (fine-tuning). Trong hệ sinh thái Ultralytics, các tệp này thường được lưu trữ dưới định dạng .pt (PyTorch).

Dưới đây là một ví dụ đơn giản về cách tải các trọng số đã được huấn luyện trước vào một mô hình YOLO và chạy dự đoán:

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 sectionHọc chuyển đổi (Transfer Learning) và Tinh chỉnh (Fine-Tuning)#

Một trong những khía cạnh mạnh mẽ nhất của trọng số mô hình là tính linh hoạt của chúng. Thay vì huấn luyện một mô hình từ đầu—vốn đòi hỏi các tập dữ liệu khổng lồ và sức mạnh tính toán đáng kể—các nhà phát triển thường sử dụng học chuyển đổi. Quá trình này bao gồm việc lấy một mô hình có các trọng số đã được huấn luyện trước trên một tập dữ liệu lớn như COCO hoặc ImageNet và điều chỉnh nó cho một tác vụ cụ thể.

Ví dụ, bạn có thể lấy các trọng số từ một trình phát hiện đối tượng tổng quát và tinh chỉnh chúng trên một tập dữ liệu nhỏ hơn về tấm pin năng lượng mặt trời. Vì các trọng số đã được huấn luyện trước đó đã hiểu được các cạnh, hình dạng và kết cấu, mô hình hội tụ nhanh hơn nhiều và cần ít dữ liệu được gán nhãn hơn. Các công cụ như Ultralytics Platform đơn giản hóa quá trình này, cho phép các nhóm quản lý tập dữ liệu, huấn luyện mô hình trên đám mây và triển khai các trọng số đã tối ưu hóa lên các thiết bị biên một cách liền mạch.

Link to this sectionNén và Tối ưu hóa#

Nghiên cứu AI hiện đại thường tập trung vào việc giảm kích thước tệp của trọng số mô hình mà không làm giảm hiệu suất, một quá trình được gọi là lượng tử hóa mô hình. Bằng cách giảm độ chính xác của các trọng số (ví dụ: từ số thực dấu phẩy động 32-bit xuống số nguyên 8-bit), các nhà phát triển có thể giảm đáng kể việc sử dụng bộ nhớ và cải thiện tốc độ suy luận. Điều này rất quan trọng để triển khai các mô hình trên phần cứng bị hạn chế tài nguyên như điện thoại di động hoặc các thiết bị Raspberry Pi. Ngoài ra, các kỹ thuật như cắt tỉa (pruning) loại bỏ các trọng số đóng góp rất ít vào kết quả đầu ra, giúp tinh giản mô hình hơn nữa cho các ứng dụng thời gian thực.