機械学習におけるモデルの重みの重要性、予測におけるその役割、そしてUltralytics YOLO がどのようにAIタスクへの使用を簡素化するかをご覧ください。
モデル重みとは、機械学習（ML）モデルが学習過程で学習する中核となるパラメータである。これらの数値は、学習データから得られた知識を表し、モデルが新しい未知のデータに対してどのように予測や決定を行うかの基礎となる。基本的に重みは、ニューラルネットワーク（NN）のニューロン間など、モデル内の接続の強さと重要性を決定する。重みは、モデルによって学習されたパターンを捉える、調整可能な「つまみ」である。
調整可能なつまみがたくさんある複雑な機械を想像してほしい。モデルの重みは、このつまみのような役割を果たす。モデルの学習プロセスにおいて、モデルはデータセットから例を示され、初期予測を行う。これらの予測と実際の正解（ground truth）との差は、損失関数によって測定される。確率的勾配降下（SGD）やAdamなどの 最適化アルゴリズムが、この損失を最小化するために、バックプロパゲーションのような技術を用いて、これらの重みを系統的に調整する。このプロセスは、多くの反復（エポック）を繰り返し、徐々に重みを改良していく。
最初は、重みは小さなランダムな値に設定されることが多いが、学習を通じて、データの根本的なパターンを捉える値に収束していく。重みを学習率や バッチサイズなどの ハイパーパラメーターと区別することは極めて重要である。ハイパーパラメータは学習開始前に設定され、学習プロセスそのものを導く設定であるのに対し、重みは学習中に学習されるパラメータである。バイアスは、NNで重みと並んでよく見られる学習パラメータのもう1つのタイプで、入力に依存しないニューロンのベースライン活性化レベルを表す。重みが入力の影響を調整するのに対して、バイアスは活性化関数の出力を調整する。
モデルの重みは、学習データから学習されたパターンと関係を直接エンコードするため、非常に重要である。最適化された重みによって、モデルは優れた汎化を達成し、これまでに遭遇したことのないデータに対して正確な予測を行うことができます。重みの質は、精度、正確さ、再現性、ロバスト性などのモデルのパフォーマンス測定基準に直接影響し、しばしばmAPのような測定基準に要約されます。不十分なデータ、不十分な訓練時間、またはオーバーフィッティング（モデルがノイズを含む訓練データを学習しすぎる）などの問題から生じることが多い、不十分な訓練された重みは、新しいデータでの信頼できない予測につながります。
現代の多くのAIアプリケーション、特にコンピュータビジョン（CV）では、モデルはImageNetや COCOのような大規模で一般的なデータセットで事前に訓練されることが多い。その結果得られる重みは、多くのタスクに適用可能な広範な視覚的特徴を捉えます。Ultralytics YOLO モデルで利用可能なものなど、これらの事前訓練された重みは、推論に直接使用したり、特定のタスクやカスタムデータセットで 微調整を行うための出発点として使用することができます。転移学習として知られるこのテクニックは、学習を大幅にスピードアップし、特にカスタムデータが限られている場合、より良いパフォーマンスにつながることがよくあります。Ultralytics HUBのようなプラットフォームにより、ユーザーはデータセットを管理し、モデルを訓練し、得られたモデルの重みを効率的に扱うことができます。
モデルウェイトは、数え切れないほどのAIアプリケーションを支えるエンジンだ：
モデルが複雑になるにつれて、その重みとそれを生成する実験を管理することは、再現性と共同作業のために非常に重要になります。Weights & Biases (W&B)のようなツールは、MLOpsに特化したプラットフォームを提供し、各チームがハイパーパラメータ、メトリクス、コードバージョン、および各実験の結果としてのモデルの重みを追跡することを可能にします。プラットフォームWeights & Biases」は、ニューラルネットワーク内のパラメータとしての「重み」と「バイアス」の概念とは異なることに注意することが重要です。 Ultralytics W&Bの統合についてはドキュメントをご覧ください。効率的な管理は、ハイパーパラメータのチューニングから、以下のようなフレームワークを使用したモデルのデプロイまで、様々なタスクの鍵となります。 PyTorchまたは TensorFlow.
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
