Rectified Flow
고충실도 데이터 생성을 위한 효율적인 생성 모델링 기법인 Rectified Flow를 알아보십시오. Ultralytics YOLO26 모델과 함께 합성 데이터를 사용하는 방법을 배우십시오.
Rectified Flow는 직선 경로를 사용하여 단순하고 쉽게 샘플링할 수 있는 노이즈 분포를 복잡한 데이터 분포로 매핑하는 방법을 학습하는 고급 generative modeling 기법입니다. 전통적인 생성 프레임워크의 매우 효율적인 대안으로 부상한 Rectified Flow는 순수 노이즈에서 대상 이미지, 오디오 또는 비디오로 데이터 포인트를 직접 전송하는 상미분 방정식(ODE)을 해결하여 작동합니다. 이러한 경로는 가능한 한 곧게 유지되도록 학습되므로 모델이 고품질 출력을 생성하는 데 필요한 단계가 훨씬 적어져 추론 중 연산 오버헤드가 크게 줄어듭니다.
Rectified Flow와 Diffusion Models 비교#
두 기법 모두 광범위한 생성형 AI 패밀리에 속하지만, Rectified Flow는 표준 Diffusion Models에서 발견되는 핵심 비효율성 중 일부를 해결합니다. 확산 모델은 일반적으로 노이즈 분포와 최종 데이터 사이에 곡선의 노이즈 경로를 구성하며, 선명한 출력을 생성하기 위해 수십 또는 수백 번의 반복적인 디노이징 단계를 필요로 합니다. 이와 대조적으로 Rectified Flow는 전송 경로가 직선이 되도록 명시적으로 최적화합니다. 이러한 "직선화"를 통해 모델은 정확도를 잃지 않고 훨씬 더 큰 단계를 밟을 수 있으므로 단 몇 번의 반복만으로도 고충실도 생성이 가능합니다.
실제 애플리케이션 사례#
Rectified Flow의 효율성과 안정성은 이를 현대 computer vision 및 미디어 생성 파이프라인의 핵심 요소로 만들었습니다.
- High-Fidelity Synthetic Data Generation: 조직은 Rectified Flow 모델을 사용하여 대규모의 다양한 computer vision datasets을 빠르게 생성합니다. 이 합성 데이터는 수동 데이터 수집의 막대한 비용 없이 강력한 object detection architectures를 학습하는 데 중요한 희귀 엣지 케이스를 시뮬레이션할 수 있습니다.
- Advanced Text-to-Image Systems: Google DeepMind 및 OpenAI를 포함한 선도적인 AI 연구 조직은 직선 경로 생성 기법을 점점 더 많이 탐구하고 있습니다. 이 모델들은 낮은 inference latency가 원활한 사용자 경험에 필수적인 빠르고 소비자용 이미지 및 비디오 생성 도구를 구동합니다.
컴퓨터 비전 워크플로 향상#
실제로 Rectified Flow 모델이 생성한 고품질 합성 이미지는 다운스트림 비전 모델을 사전 학습하거나 미세 조정하는 데 자주 사용됩니다. 예를 들어 개발자는 제조 결함의 타겟팅된 이미지를 생성하고 Ultralytics Platform을 사용하여 클라우드에서 이 새로운 데이터를 손쉽게 주석 처리할 수 있습니다. 주석이 완료되면 이 데이터셋을 사용하여 고도로 정확한 실시간 object detection을 위한 Ultralytics YOLO26 모델을 학습할 수 있습니다.
ultralytics 패키지를 사용하여 커스텀 데이터셋(Rectified Flow를 통해 생성된 합성 데이터 포함 가능)에 Ultralytics YOLO26 모델을 학습하는 방법을 보여주는 간단한 예제입니다:
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")효율적인 생성 모델과 YOLO26과 같은 강력한 판별 도구 사이의 간극을 메우므로 머신 러닝 실무자는 매우 탄력적인 AI 시스템을 구축할 수 있습니다. model performance metrics를 평가하든 TensorRT를 통해 엣지 디바이스로 내보내든, 합성 데이터와 최첨단 검출의 조합은 steps of a CV project를 가속화하여 모델의 고정확도와 초고속을 모두 보장합니다.
