Rectified Flow

Rectified Flow — это передовой метод generative modeling, который учится сопоставлять простое, легко семплируемое шумовое распределение со сложным распределением данных с использованием прямолинейных траекторий. Появляясь в качестве высокоэффективной альтернативы традиционным генеративным фреймворкам, Rectified Flow работает путем решения обыкновенных дифференциальных уравнений (ОДУ), которые переносят точки данных из чистого шума прямо в целевые изображения, аудио или видео. Поскольку эти пути обучаются быть максимально прямыми, модели требуется значительно меньше шагов для генерации высококачественных результатов, что радикально снижает вычислительные затраты во время инференса.

Rectified Flow против Диффузионных моделей#

Хотя обе техники принадлежат к более широкому семейству генеративного ИИ, Rectified Flow устраняет некоторые из основных неэффективностей, присущих стандартным Diffusion Models. Модели диффузии обычно создают искривленный, зашумленный путь между распределением шума и конечными данными, требуя десятков или даже сотен итеративных шагов шумоподавления для генерации четкого результата. В отличие от них, Rectified Flow явно оптимизирует пути переноса, делая их прямыми. Это "выпрямление" позволяет модели делать гораздо более крупные шаги без потери точности, обеспечивая высокую точность генерации всего за несколько итераций.

Реальные приложения#

Эффективность и стабильность Rectified Flow сделали ее краеугольным камнем современных конвейеров computer vision и генерации медиаконтента.

• High-Fidelity Synthetic Data Generation: Организации используют модели Rectified Flow для быстрой генерации масштабных, разнообразных computer vision datasets. Эти синтетические данные могут имитировать редкие краевые случаи, что критически важно для обучения надежных object detection architectures без непомерных затрат на ручной сбор данных.
• Advanced Text-to-Image Systems: Ведущие исследовательские организации в области ИИ, включая Google DeepMind и OpenAI, все чаще исследуют методы генерации по прямым путям. Эти модели питают быстрые потребительские инструменты генерации изображений и видео, где низкая inference latency критически важна для плавного пользовательского опыта.

Улучшение рабочих процессов компьютерного зрения#

На практике высококачественные синтетические изображения, производимые моделями Rectified Flow, часто используются для предварительного обучения или дообучения последующих моделей зрения. Например, разработчики могут генерировать целевые изображения производственных дефектов и использовать Ultralytics Platform для разметки этих новых данных без усилий в облаке. После разметки датасет можно использовать для обучения модели Ultralytics YOLO26 для высокоточного object detection в реальном времени.

Вот краткий пример, демонстрирующий, как обучить модель Ultralytics YOLO26 на пользовательском датасете (который может включать синтетические данные, созданные с помощью Rectified Flow) с использованием пакета ultralytics:

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")

Соединяя разрыв между эффективными генеративными моделями и мощными дискриминативными инструментами вроде YOLO26, специалисты по машинному обучению могут создавать высокоустойчивые системы ИИ. Будь то оценка model performance metrics или экспорт на периферийные устройства через TensorRT, комбинация синтетических данных и детектирования передового уровня ускоряет steps of a CV project, гарантируя, что модели будут одновременно исключительно точными и невероятно быстродействующими.