Rectified Flow

Rectified Flow, basit ve kolayca örneklenemeyen bir gürültü dağılımını, düz hatlı yörüngeler kullanarak karmaşık bir veri dağılımına eşlemeyi öğrenen gelişmiş bir üretken modelleme tekniğidir. Geleneksel üretken çerçevelere son derece verimli bir alternatif olarak ortaya çıkan Rectified Flow, veri noktalarını saf gürültüden doğrudan hedef görüntülere, sese veya videoya taşıyan sıradan diferansiyel denklemleri (ODE'ler) çözerek çalışır. Bu yollar mümkün olduğunca düz olacak şekilde eğitildiğinden, model yüksek kaliteli çıktılar üretmek için çok daha az adıma ihtiyaç duyar ve çıkarım sırasında hesaplama yükünü önemli ölçüde azaltır.

Link to this sectionRectified Flow ve Difüzyon Modelleri#

Her iki teknik de daha geniş üretken yapay zeka ailesine ait olsa da, Rectified Flow standart Difüzyon Modellerinde bulunan temel verimsizliklerden bazılarını ele alır. Difüzyon modelleri tipik olarak gürültü dağılımı ile nihai veri arasında kavisli, gürültülü bir yol oluşturur ve net bir çıktı üretmek için düzinelerce, hatta yüzlerce yinelemeli gürültü giderme adımı gerektirir. Buna karşılık Rectified Flow, taşıma yollarını düz olacak şekilde açıkça optimize eder. Bu "düzleştirme", modelin doğruluk kaybı olmadan çok daha büyük adımlar atmasına olanak tanıyarak sadece birkaç yinelemede yüksek sadakatli üretim sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

Rectified Flow'un verimliliği ve kararlılığı, onu modern bilgisayarlı görü ve medya üretim hatlarının temel taşı haline getirmiştir.

• Yüksek Sadakatli Sentetik Veri Üretimi: Kuruluşlar, büyük ve çeşitli bilgisayarlı görü veri kümelerini hızla oluşturmak için Rectified Flow modellerini kullanır. Bu sentetik veriler, nadir uç durumları simüle edebilir; bu da manuel veri toplamanın getirdiği aşırı maliyetler olmaksızın sağlam nesne algılama mimarileri eğitmek için çok önemlidir.
• Gelişmiş Metinden Görüntüye Sistemleri: Google DeepMind ve OpenAI dahil olmak üzere önde gelen yapay zeka araştırma kuruluşları, giderek daha fazla düz yollu üretken teknikleri araştırmaktadır. Bu modeller, düşük çıkarım gecikmesinin sorunsuz bir kullanıcı deneyimi için kritik olduğu hızlı, tüketici odaklı görüntü ve video üretim araçlarına güç sağlar.

Link to this sectionBilgisayarlı Görü İş Akışlarını Geliştirme#

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.

İşte ultralytics paketini kullanarak özel bir veri kümesinde (Rectified Flow aracılığıyla oluşturulan sentetik verileri içerebilecek) bir YOLO26 modelinin nasıl eğitileceğini gösteren kısa bir örnek:

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")

Verimli üretken modeller ile YOLO26 gibi güçlü ayırt edici araçlar arasındaki boşluğu doldurarak, makine öğrenimi uygulayıcıları son derece dirençli yapay zeka sistemleri oluşturabilirler. İster model performans metriklerini değerlendirirken ister TensorRT aracılığıyla uç cihazlara aktarırken, sentetik veri ve en son teknoloji algılamanın birleşimi, bir CV projesinin adımlarını hızlandırarak modellerin hem son derece doğru hem de inanılmaz derecede hızlı olmasını sağlar.