Rectified Flow

Rectified Flow는 직선 경로를 사용하여 단순하고 쉽게 샘플링 가능한 노이즈 분포를 복잡한 데이터 분포로 매핑하는 방법을 학습하는 고급 생성 모델링 기술입니다. 기존 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 직선이 되도록 훈련되기 때문에 모델이 고품질 출력을 생성하는 데 필요한 단계가 훨씬 적으며 추론 중 계산 오버헤드를 크게 줄여줍니다.

Link to this sectionRectified Flow와 Diffusion Models 비교#

두 기술 모두 더 넓은 의미의 생성 AI 제품군에 속하지만, Rectified Flow는 표준 Diffusion Models에서 발견되는 몇 가지 핵심적인 비효율성을 해결합니다. Diffusion 모델은 일반적으로 노이즈 분포와 최종 데이터 사이에 곡선 형태의 노이즈 경로를 구성하며, 명확한 출력을 생성하기 위해 수십 번 또는 수백 번의 반복적인 노이즈 제거 단계가 필요합니다. 반면 Rectified Flow는 전송 경로를 직선이 되도록 명시적으로 최적화합니다. 이러한 "직선화"를 통해 모델은 정확도를 잃지 않으면서 훨씬 더 큰 단계를 수행할 수 있으며, 단 몇 번의 반복만으로 고충실도 생성을 가능하게 합니다.

Link to this section실제 활용 사례#

Rectified Flow의 효율성과 안정성은 현대 컴퓨터 비전 및 미디어 생성 파이프라인의 초석이 되었습니다.

• 고충실도 합성 데이터 생성: 조직에서는 Rectified Flow 모델을 사용하여 방대하고 다양한 컴퓨터 비전 데이터셋을 빠르게 생성합니다. 이 합성 데이터는 수동 데이터 수집에 드는 엄청난 비용 없이 강력한 객체 감지 아키텍처를 훈련하는 데 필수적인 희귀한 엣지 케이스를 시뮬레이션할 수 있습니다.
• 고급 텍스트-이미지 시스템: Google DeepMind 및 OpenAI를 포함한 주요 AI 연구 기관은 직선 경로 생성 기술을 점점 더 많이 탐구하고 있습니다. 이러한 모델은 낮은 추론 지연 시간이 원활한 사용자 경험에 필수적인 소비자 대상 이미지 및 비디오 생성 도구를 구동합니다.

Link to this section컴퓨터 비전 워크플로우 향상#

In practice, the high-quality synthetic images produced by Rectified Flow models are frequently used to pre-train or fine-tune downstream vision models. For example, developers can generate targeted images of manufacturing defects and use the Ultralytics Platform to annotate this new data effortlessly in the cloud. Once annotated, the dataset can be used to train an Ultralytics YOLO26 model for highly accurate, real-time object detection.

ultralytics 패키지를 사용하여 커스텀 데이터셋(Rectified Flow를 통해 생성된 합성 데이터 포함 가능)에서 YOLO26 모델을 훈련하는 방법을 보여주는 간결한 예시는 다음과 같습니다:

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 격차를 해소함으로써 머신 러닝 실무자는 매우 탄력적인 AI 시스템을 구축할 수 있습니다. 모델 성능 지표를 평가하든 TensorRT를 통해 엣지 디바이스로 내보내든, 합성 데이터와 최첨단 감지의 결합은 CV 프로젝트의 단계를 가속화하여 모델이 매우 정확하고 놀랍도록 빠르도록 보장합니다.