Découvrez Rectified Flow, une technique de modélisation générative efficace pour la création de données haute fidélité. Apprenez à utiliser les données synthétiques avec les modèles Ultralytics .
Le flux rectifié est une technique de modélisation générative avancée qui apprend à mapper une distribution de bruit simple et facilement échantillonnable à une distribution de données complexe à l'aide de trajectoires en ligne droite. Émergeant comme une alternative très efficace aux cadres génératifs traditionnels, le flux rectifié fonctionne en résolvant des équations différentielles ordinaires (EDO) qui transportent les points de données du bruit pur directement vers les images, l'audio ou la vidéo cibles. Comme ces chemins sont entraînés à être aussi droits que possible, le modèle nécessite beaucoup moins d'étapes pour générer des résultats de haute qualité, ce qui réduit considérablement la charge de calcul lors de l'inférence.
Bien que ces deux techniques appartiennent à la grande famille de l'IA générative, Rectified Flow remédie à certaines des principales inefficacités des modèles de diffusion standard. Les modèles de diffusion construisent généralement un chemin courbe et bruité entre la distribution du bruit et les données finales, ce qui nécessite des dizaines, voire des centaines d'étapes itératives de débruitage pour générer un résultat clair. En revanche, Rectified Flow optimise explicitement les chemins de transport pour qu'ils soient droits. Ce « redressement » permet au modèle de faire des pas beaucoup plus grands sans perdre en précision, ce qui permet une génération haute fidélité en seulement quelques itérations.
L'efficacité et la stabilité de Rectified Flow en ont fait une pierre angulaire de la vision par ordinateur moderne et des pipelines de génération de médias.
Dans la pratique, les images synthétiques de haute qualité produites par les modèles Rectified Flow sont fréquemment utilisées pour pré-entraîner ou affiner les modèles de vision en aval. Par exemple, les développeurs peuvent générer des images ciblées de défauts de fabrication et utiliser la Ultralytics pour annoter ces nouvelles données sans effort dans le cloud. Une fois annoté, l'ensemble de données peut être utilisé pour former un modèle Ultralytics pour une détection d'objets en temps réel et très précise .
Voici un exemple concis illustrant comment entraîner un modèle YOLO26 sur un ensemble de données personnalisé (qui pourrait inclure des données synthétiques
générées via Rectified Flow) à l'aide du ultralytics l'emballage :
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")
En comblant le fossé entre les modèles génératifs efficaces et les puissants outils discriminatifs tels que YOLO26, les praticiens du machine learning peuvent créer des systèmes d'IA hautement résilients. Qu'il s'agisse d'évaluer les indicateurs de performance des modèles ou d'exporter vers des appareils périphériques via TensorRT, la combinaison de données synthétiques et d'une détection de pointe accélère les étapes d'un projet de vision par ordinateur, garantissant ainsi des modèles à la fois très précis et incroyablement rapides.
