استكشف Rectified Flow، وهي تقنية نمذجة توليدية فعالة لإنشاء بيانات عالية الدقة. تعلم كيفية استخدام البيانات الاصطناعية مع نماذج Ultralytics .
Rectified Flow هي تقنية متقدمة للنمذجة التوليدية تتعلم كيفية تعيين توزيع ضوضاء بسيط وسهل العينات إلى توزيع بيانات معقد باستخدام مسارات خطية مستقيمة. ظهرت Rectified Flow كبديل عالي الكفاءة للأطر التوليدية التقليدية، وتعمل عن طريق حل المعادلات التفاضلية العادية (ODEs) التي تنقل نقاط البيانات من الضوضاء الخالصة مباشرة إلى الصور أو الصوت أو الفيديو المستهدف. نظرًا لأن هذه المسارات يتم تدريبها لتكون مستقيمة قدر الإمكان، فإن النموذج يتطلب خطوات أقل بكثير لتوليد مخرجات عالية الجودة، مما يقلل بشكل كبير من العبء الحسابي أثناء الاستدلال.
في حين أن كلا التقنيتين تنتميان إلى عائلة أوسع من الذكاء الاصطناعي التوليدي، فإن التدفق المعدل يعالج بعض أوجه القصور الأساسية الموجودة في نماذج الانتشار القياسية. عادةً ما تبني نماذج الانتشار مسارًا منحنيًا وصاخبًا بين توزيع الضوضاء والبيانات النهائية، مما يتطلب عشرات أو حتى مئات من خطوات إزالة الضوضاء التكرارية لتوليد ناتج واضح. في المقابل، تعمل تقنية Rectified Flow بشكل صريح على تحسين مسارات النقل لتكون مستقيمة. يتيح هذا "التقويم" للنموذج اتخاذ خطوات أكبر بكثير دون فقدان الدقة، مما يتيح إنتاجًا عالي الدقة في بضع تكرارات فقط.
كفاءة واستقرار التدفق المعدل جعلته حجر الزاوية في رؤية الكمبيوتر الحديثة وخطوط إنتاج الوسائط.
في الممارسة العملية، غالبًا ما تُستخدم الصور الاصطناعية عالية الجودة التي تنتجها نماذج Rectified Flow لتدريب أو ضبط نماذج الرؤية النهائية. على سبيل المثال، يمكن للمطورين إنشاء صور مستهدفة لعيوب التصنيع و استخدام Ultralytics لتعليق هذه البيانات الجديدة بسهولة في السحابة. بمجرد إضافة التعليقات التوضيحية، يمكن استخدام مجموعة البيانات لتدريب نموذج Ultralytics من أجل الكشف عن الكائنات بدقة عالية وفي الوقت الفعلي .
فيما يلي مثال موجز يوضح كيفية تدريب نموذج YOLO26 على مجموعة بيانات مخصصة (والتي قد تتضمن بيانات اصطناعية
تم إنشاؤها عبر Rectified Flow) باستخدام ultralytics الحزمة:
from ultralytics import YOLO
# Load the latest state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on your synthetic/real dataset mix
results = model.train(data="custom_synthetic_data.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX for fast deployment
model.export(format="onnx")
من خلال سد الفجوة بين النماذج التوليدية الفعالة والأدوات التمييزية القوية مثل YOLO26، يمكن لممارسي التعلم الآلي بناء أنظمة ذكاء اصطناعي عالية المرونة. سواء كان ذلك من خلال تقييم مقاييس أداء النموذج أو التصدير إلى الأجهزة الطرفية عبر TensorRT، فإن الجمع بين البيانات الاصطناعية وأحدث تقنيات الكشف يسرع خطوات مشروع CV، مما يضمن أن تكون النماذج دقيقة للغاية وسريعة بشكل لا يصدق.
