정류된 유동

정류 흐름(Rectified Flow)은 직선 궤적을 활용해 단순하고 샘플링이 용이한 노이즈 분포를 복잡한 데이터 분포로 매핑하는 고급 생성 모델링 기법입니다. 기존 생성 프레임워크에 비해 매우 효율적인 대안으로 부상한 정류 흐름은 미분 방정식(ODEs)을 해결하여 데이터 포인트를 순수 노이즈에서 목표 이미지, 오디오 또는 비디오로 직접 이동시킵니다. 이러한 경로들은 가능한 한 직선으로 학습되도록 설계되어 모델이 고품질 출력을 생성하는 데 필요한 단계 수가 현저히 줄어들며, 추론 과정에서의 계산 오버헤드를 획기적으로 감소시킵니다.

정류 유동 대 확산 모델

두 기술 모두 생성형 AI의 광범위한 범주에 속하지만, 정류 흐름 (Rectified Flow)은 표준 확산 모델에서 발견되는 핵심 비효율성 일부를 해결합니다. 확산 모델은 일반적으로 노이즈 분포와 최종 데이터 사이의 곡선형 노이즈 경로를 구성하며, 명확한 출력을 생성하기 위해 수십에서 수백 번의 반복적 노이즈 제거 단계가 필요합니다. 반면, Rectified Flow는 이동 경로를 직선으로 명시적으로 최적화합니다. 이러한 "직선화"를 통해 모델은 정확도를 잃지 않으면서 훨씬 더 큰 단계를 취할 수 있어, 단 몇 번의 반복만으로 고충실도 생성이 가능해집니다.

실제 애플리케이션

정류 흐름의 효율성과 안정성은 이를 현대 컴퓨터 비전 및 미디어 생성 파이프라인의 핵심 요소로 자리매김하게 했습니다.

• 고충실도 합성 데이터 생성: 기업들은 정류 흐름 모델을 활용해 방대하고 다양한 컴퓨터 비전 데이터셋을 신속하게 생성합니다. 이 합성 데이터는 희귀한 극단적 사례를 시뮬레이션할 수 있어, 수동 데이터 수집의 막대한 비용 없이도 견고한 객체 탐지 아키텍처를훈련하는 데 핵심적입니다.
• 고급 텍스트-이미지 변환 시스템: Google 오픈AI를 비롯한 선도적인 AI 연구 기관들은 직선 경로 생성 기법을 점점 더 많이 탐구하고 있습니다. 이러한 모델들은 빠른 속도의 소비자 대상 이미지 및 동영상 생성 도구를 구동하며, 여기서 낮은 추론 지연 시간은 원활한 사용자 경험을 위해 매우 중요합니다.

컴퓨터 비전 워크플로 강화

실제 적용에서는 Rectified Flow 모델이 생성한 고품질 합성 이미지가 하류 비전 모델의 사전 훈련 또는 미세 조정에 자주 활용됩니다. 예를 들어 개발자는 제조 결함의 표적 이미지를 생성하고 Ultralytics 통해 클라우드에서 이 새로운 데이터를 손쉽게 주석 처리할 수 있습니다. 주석이 추가된 데이터셋은 초정밀 실시간 객체 탐지를 위한 Ultralytics 모델 훈련에 활용될 수 있습니다.

다음은 사용자 정의 데이터셋(Rectified Flow를 통해 생성된 합성 데이터를 포함할 수 있음)을 사용하여 YOLO26 모델을 훈련하는 방법을 보여주는 간결한 예시입니다. ultralytics 패키지입니다:

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 간의 격차를 해소함으로써, 머신러닝 실무자들은 매우 탄력적인 AI 시스템을 구축할 수 있습니다. 모델 성능 지표를 평가하거나 TensorRT를 통해 에지 디바이스로 내보내는 등 TensorRT을 통한 에지 디바이스로 내보내는 등 합성 데이터와 최첨단 탐지 기술의 결합은 CV 프로젝트의 단계를 가속화하여 모델이 높은 정확도와 놀라운 속도를 동시에 보장하도록 합니다.