Rectified Flow

يعد Rectified Flow تقنية متقدمة في النمذجة التوليدية تتعلم كيفية تعيين توزيع ضوضاء بسيط وسهل أخذ العينات إلى توزيع بيانات معقد باستخدام مسارات مستقيمة. وباعتباره بديلاً عالي الكفاءة للأطر التوليدية التقليدية، يعمل Rectified Flow من خلال حل المعادلات التفاضلية العادية (ODEs) التي تنقل نقاط البيانات من الضوضاء النقية مباشرة إلى الصور أو الصوت أو الفيديو المستهدف. ولأن هذه المسارات مصممة لتكون مستقيمة قدر الإمكان، يتطلب النموذج خطوات أقل بكثير لإنتاج مخرجات عالية الجودة، مما يقلل بشكل كبير من العبء الحسابي أثناء الاستنتاج.

Link to this sectionRectified Flow مقابل نماذج الانتشار#

بينما ينتمي كلا الأسلوبين إلى عائلة الذكاء الاصطناعي التوليدي الأوسع، يعالج Rectified Flow بعض أوجه القصور الأساسية الموجودة في نماذج الانتشار القياسية. عادةً ما تقوم نماذج الانتشار ببناء مسار منحني ومضطرب بين توزيع الضوضاء والبيانات النهائية، مما يتطلب العشرات أو حتى المئات من خطوات إزالة الضوضاء التكرارية لإنتاج مخرج واضح. في المقابل، يعمل Rectified Flow صراحةً على تحسين مسارات النقل لتكون مستقيمة. يسمح هذا "الاستقامة" للنموذج باتخاذ خطوات أكبر بكثير دون فقدان الدقة، مما يتيح توليداً عالي الدقة في بضع تكرارات فقط.

Link to this sectionتطبيقات العالم الحقيقي#

لقد جعلت كفاءة واستقرار Rectified Flow منه حجر الزاوية في خطوط أنابيب الرؤية الحاسوبية وتوليد الوسائط الحديثة.

• توليد البيانات الاصطناعية عالية الدقة: تستخدم المؤسسات نماذج Rectified Flow لتوليد مجموعات بيانات الرؤية الحاسوبية ضخمة ومتنوعة بسرعة. يمكن لهذه البيانات الاصطناعية محاكاة حالات نادرة، وهو أمر بالغ الأهمية لتدريب بنيات اكتشاف الكائنات القوية دون التكلفة الباهظة لجمع البيانات يدوياً.
• أنظمة تحويل النص إلى صورة المتقدمة: تستكشف مؤسسات أبحاث الذكاء الاصطناعي الرائدة، بما في ذلك Google DeepMind و OpenAI، بشكل متزايد تقنيات التوليد ذات المسار المستقيم. تعمل هذه النماذج على تشغيل أدوات توليد الصور والفيديو السريعة الموجهة للمستهلك حيث تكون زمن انتقال الاستنتاج المنخفض أمراً بالغ الأهمية للحصول على تجربة مستخدم سلسة.

Link to this sectionتعزيز سير عمل الرؤية الحاسوبية#

من الناحية العملية، غالباً ما تُستخدم الصور الاصطناعية عالية الجودة التي تنتجها نماذج Rectified Flow للتدريب المسبق أو الضبط الدقيق لنماذج الرؤية اللاحقة. على سبيل المثال، يمكن للمطورين إنشاء صور مستهدفة لعيوب التصنيع واستخدام Ultralytics Platform لتعليق هذه البيانات الجديدة بسهولة في السحابة. وبمجرد تعليقها، يمكن استخدام مجموعة البيانات لتدريب نموذج Ultralytics YOLO26 للحصول على اكتشاف كائنات دقيق للغاية وفي الوقت الفعلي.

فيما يلي مثال موجز يوضح كيفية تدريب نموذج YOLO26 على مجموعة بيانات مخصصة (والتي يمكن أن تتضمن بيانات اصطناعية تم إنشاؤها عبر Rectified Flow) باستخدام حزمة ultralytics:

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 وأدوات التمييز القوية مثل YOLO26، يمكن لممارسي تعلم الآلة بناء أنظمة ذكاء اصطناعي مرنة للغاية. سواء كان ذلك عند تقييم مقاييس أداء النموذج أو التصدير إلى أجهزة الحافة عبر TensorRT، فإن الجمع بين البيانات الاصطناعية والاكتشاف المتطور يسرع خطوات مشروع الرؤية الحاسوبية، مما يضمن أن النماذج دقيقة للغاية وسريعة بشكل لا يصدق.