型号重量

模型权重是神经网络中的数字参数，在训练过程中进行调整。这些数值基本上代表了模型的学习知识。把它们想象成一个非常复杂的方程中的系数；通过调整这些系数，模型学会将输入数据（如图像）映射到所需的输出（如物体周围的边界框）。模型权重的质量直接决定了它在特定任务（如图像分类或物体检测）中的表现。

如何确定重量

模型权重不是手动设置的，而是从数据中 "学习 "出来的。这一过程首先是将权重初始化为小的随机数。在训练过程中，模型会对训练数据进行预测，损失函数会计算这些预测的错误程度。然后，这个误差信号会被用于一个称为反向传播的过程，以计算相对于每个权重的损失梯度。然后，随机梯度下降（SGD）等优化算法会沿着梯度的相反方向调整权重，以最小化误差。这个循环会重复许多次，直到模型在单独验证数据集上的性能不再提高，这表明它已经学会了数据中的模式。

预训练重量的重要性

从零开始训练最先进的模型需要大量的计算资源和海量数据集。为了克服这一困难，计算机视觉领域广泛使用预训练权重。这包括使用一个模型，比如Ultralytics YOLO模型，该模型已经在COCO 等大型通用数据集上训练过。通过一种称为迁移学习的过程，这些权重可以作为新的特定任务的绝佳起点。通过使用预先训练好的权重，您可以用更少的数据实现更高的准确性，并通过称为微调的过程缩短训练时间。

实际应用

• 医学图像分析：开发人员可以利用YOLOv8模型及其预先训练的权重，在定制的脑肿瘤扫描数据集上对其进行微调。由此产生的模型具有专门优化的权重，可以识别肿瘤的细微模式，协助放射科医生进行诊断。这是人工智能在医疗保健领域的重要应用。
• 零售库存管理：零售公司可以使用模型来监控货架和清点产品。根据商店产品的图像对物体检测模型进行微调。最终的权重可使模型准确检测和清点特定物品，从而实现自动库存跟踪。

权重与相关概念

必须将模型权重与机器学习中的其他相关术语区分开来：

• 超参数与学习权重不同，超参数是在训练开始前配置的。例如学习率、批量大小和优化器的选择。寻找最佳超参数配置的过程称为超参数调整。
• 偏差：权重和偏置都是学习到的参数。不过，权重会缩放神经元的输出，而偏置项则会移动神经元的输出。它们共同赋予神经网络适应数据的灵活性。
• 模型架构：架构（如主干或检测头）是模型的蓝图--它定义了层以及层与层之间的连接方式。权重是该结构中的值。同一结构可以有无数不同的权重集，这取决于它是如何训练的。您可以探索不同的模型比较，了解架构的差异。

管理和跟踪重量

随着模型变得越来越复杂，管理其权重和产生权重的实验对可重复性和协作至关重要。权重与偏差（Weights & Biases，W&B）等工具专门为MLOps 提供了一个平台，允许团队跟踪超参数、指标、代码版本以及每次实验产生的模型权重。值得注意的是，"权重与偏差 "平台有别于作为神经网络参数的 "权重 "和 "偏差 "概念；该平台有助于管理寻找最佳权重和偏差的过程。您可以在文档中了解更多关于将 Ultralytics 与 W&B 整合的信息。高效管理是使用PyTorch或TensorFlow 等框架完成从超参数调整到模型部署等任务的关键。Ultralytics HUB等平台也为管理整个模型生命周期提供了集成解决方案。