Rectified Flow

Rectified Flow는 직선 궤적을 사용하여 간단하고 쉽게 샘플링할 수 있는 노이즈 분포를 복잡한 데이터 분포에 매핑하도록 학습하는 고급 생성 모델링 기법입니다. 기존 생성 프레임워크를 대체하는 매우 효율적인 방법으로 부상한 Rectified Flow는 상미분 방정식(ODE)을 풀어 데이터 포인트를 순수 노이즈에서 대상 이미지, 오디오 또는 비디오로 직접 이동시킵니다. 이러한 경로는 가능한 한 직선이 되도록 학습되므로 고품질 출력을 생성하는 데 필요한 단계가 크게 줄어들고 추론 중 연산 오버헤드도 대폭 감소합니다.

Rectified Flow와 Diffusion 모델 비교#

두 기법 모두 생성형 AI의 폭넓은 범주에 속하지만, Rectified Flow는 표준 Diffusion 모델에서 발생하는 핵심 비효율성 일부를 해결합니다. Diffusion 모델은 일반적으로 노이즈 분포와 최종 데이터 사이에 곡선 형태의 노이즈 경로를 구성하므로, 선명한 출력을 생성하려면 수십 또는 수백 번의 반복적인 디노이징 단계가 필요합니다. 반면 Rectified Flow는 데이터 이동 경로가 직선이 되도록 명시적으로 최적화합니다. 이러한 "직선화"를 통해 모델은 정확도를 잃지 않고 훨씬 큰 단계를 수행할 수 있어 단 몇 차례의 반복만으로도 높은 충실도의 결과를 생성할 수 있습니다.

실제 적용 사례#

Rectified Flow의 효율성과 안정성은 최신 컴퓨터 비전 및 미디어 생성 파이프라인의 핵심 요소가 되었습니다.

• 고충실도 합성 데이터 생성: 조직은 Rectified Flow 모델을 사용해 방대하고 다양한 컴퓨터 비전 데이터셋을 빠르게 생성합니다. 이 합성 데이터는 희귀한 엣지 케이스를 시뮬레이션할 수 있으므로, 비용이 많이 드는 수동 데이터 수집 없이 견고한 객체 탐지 아키텍처를 학습하는 데 중요합니다.
• 고급 텍스트-이미지 시스템: Stability AI의 Stable Diffusion 3, Black Forest Labs의 FLUX와 같은 프로덕션 이미지 생성기는 Rectified Flow Transformer를 기반으로 합니다. 이러한 모델은 원활한 사용자 경험을 위해 낮은 추론 지연 시간이 중요한, 빠른 소비자용 이미지 및 비디오 생성 도구를 지원합니다.

컴퓨터 비전 워크플로 개선#

실제 환경에서 Rectified Flow 모델이 생성한 고품질 합성 이미지는 다운스트림 비전 모델의 사전 학습 또는 미세 조정에 자주 사용됩니다. 예를 들어 개발자는 제조 결함의 표적 이미지를 생성한 다음 Ultralytics Platform을 사용하여 클라우드에서 새 데이터에 손쉽게 주석을 추가할 수 있습니다. 주석을 추가한 데이터셋은 높은 정확도의 실시간 객체 탐지를 위해 Ultralytics YOLO26 모델을 학습하는 데 사용할 수 있습니다.

다음은 ultralytics 패키지를 사용해 사용자 지정 데이터셋(여기에는 Rectified Flow로 생성한 합성 데이터가 포함될 수 있음)에서 Ultralytics YOLO26 모델을 학습하는 간단한 예시입니다.

from ultralytics import YOLO

# 최신 최첨단 YOLO26 모델을 불러옵니다
model = YOLO("yolo26n.pt")

# 합성 데이터와 실제 데이터의 혼합으로 모델 학습
results = model.train(data="custom_synthetic_data.yaml", epochs=50, imgsz=640)

# 빠른 배포를 위해 학습된 모델을 ONNX로 내보내기
model.export(format="onnx")

효율적인 생성 모델과 YOLO26과 같은 강력한 판별 도구를 결합하면 머신러닝 실무자는 매우 복원력 있는 AI 시스템을 구축할 수 있습니다. 모델 성능 지표를 평가하거나 TensorRT를 통해 엣지 디바이스로 내보내는 경우, 합성 데이터와 최첨단 탐지의 결합은 CV 프로젝트 단계를 가속하여 모델의 높은 정확도와 뛰어난 속도를 모두 보장합니다.