型号重量

了解模型权重

想象一下，一台复杂的机器上有许多可调节的旋钮；模型权重就像这些旋钮。在模型训练过程中，模型会看到数据集中的示例，并做出初步预测。这些预测与实际正确答案（地面实况）之间的差异由损失函数来衡量。然后，随机梯度下降 算法 （SGD）或亚当 算法等优化算法会使用反向传播等技术系统地调整这些权重，以最小化损失。这一过程会重复多次迭代或历时，逐步完善权重。

最初，权重通常设置为较小的随机值，但通过训练，权重会趋近于捕捉数据中潜在模式的值。将权重与超参数（如学习率或批量大小）区分开来至关重要。超参数是在训练开始前设置的配置，用于指导学习过程本身，而权重则是在训练过程中学习的参数。偏置是另一种学习参数，通常与权重一起出现在神经网络中，代表神经元的基线激活水平，与其输入无关。权重可以调节输入的影响，而偏置则会改变激活函数的输出。

模型权重的意义

模型权重至关重要，因为它们直接编码了从训练数据中学到的模式和关系。优化良好的权重能使模型实现良好的泛化，对以前未遇到过的数据进行准确预测。权重的质量会直接影响模型的性能指标，如准确度、精确度、召回率和鲁棒性，通常用mAP 等指标来概括。数据不足、训练时间不足或过度拟合（模型对训练数据的学习效果太好，包括噪音）等问题通常会导致权重训练不佳，从而导致对新数据的预测不可靠。

在许多现代人工智能应用中，尤其是在计算机视觉（CV）领域，模型通常是在大型通用数据集（如ImageNet或COCO）上预先训练的。由此产生的权重可以捕捉到适用于许多任务的广泛视觉特征。这些预先训练好的权重，如Ultralytics YOLO 模型的权重，可以直接用于推理，也可以作为在特定任务或自定义数据集上进行微调的起点。这种被称为迁移学习的技术大大加快了训练速度，通常能带来更好的性能，尤其是在自定义数据有限的情况下。Ultralytics HUB等平台允许用户管理数据集、训练模型，并高效处理由此产生的模型权重。

实际应用

模型权重是无数人工智能应用背后的引擎：

• 自动驾驶汽车中的物体探测：类似于 Ultralytics YOLOv8利用学习到的权重实时识别行人、其他车辆和交通标志，从而做出导航和安全决策。权重编码了在各种条件下区分这些物体所需的视觉特征。Waymo 的技术在很大程度上依赖于这种复杂的模型。
• 用于疾病检测的医学图像分析：在医疗保健领域，通过脑肿瘤数据集等数据集训练的模型权重，人工智能系统可以高精度地检测出扫描图像（X 光、CT、MRI）中的肿瘤或病变等异常情况，从而协助放射科医生进行诊断。北美放射学会（RSNA）等组织广泛探讨了人工智能的作用。

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。Weights & Biases （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，Weights & Biases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weights and biases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。从超参数调整到使用以下框架部署模型，高效管理都是关键所在 PyTorch或 TensorFlow.