Rectified Flow

Rectified Flow, basit ve kolayca örneklenemez bir gürültü dağılımını, düz hatlı yörüngeler kullanarak karmaşık bir veri dağılımına eşlemeyi öğrenen gelişmiş bir generative modeling tekniğidir. Geleneksel üretken çerçevelere karşı oldukça verimli bir alternatif olarak ortaya çıkan Rectified Flow, veri noktalarını saf gürültüden doğrudan hedef görüntülere, sese veya videoya taşıyan adi 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 Diffusion Models Karşılaştırması#

Her iki teknik de daha geniş üretken yapay zeka ailesine ait olsa da, Rectified Flow, standart Diffusion Models içinde bulunan temel verimsizliklerden bazılarını ele alır. Difüzyon modelleri genellikle 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 açıkça düz olacak şekilde optimize eder. Bu "düzleştirme", modelin doğruluk kaybı olmadan çok daha büyük adımlar atmasına olanak tanıyarak yalnızca birkaç yinelemede yüksek sadakatli üretim sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

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

• High-Fidelity Synthetic Data Generation: Kuruluşlar, Rectified Flow modellerini devasa, çeşitli computer vision datasets kümesini hızla oluşturmak için kullanır. Bu sentetik veriler, manuel veri toplamanın aşırı maliyeti olmadan sağlam object detection architectures modellerini eğitmek için çok önemli olan nadir uç durumları simüle edebilir.
• Advanced Text-to-Image Systems: Google DeepMind ve OpenAI dahil olmak üzere önde gelen yapay zeka araştırma kuruluşları, giderek daha fazla düz yollu üretken teknikleri araştırmaktadır. Bu modeller, sorunsuz bir kullanıcı deneyimi için düşük inference latency değerinin kritik olduğu, hızlı ve tüketiciye yönelik görüntü ve video üretim araçlarına güç sağlar.

Link to this sectionComputer Vision 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 kümesi üzerinde (Rectified Flow aracılığıyla oluşturulan sentetik verileri içerebilen) 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 kapatarak, makine öğrenimi uygulayıcıları son derece dayanıklı yapay zeka sistemleri oluşturabilirler. model performance metrics değerlendirilirken veya TensorRT aracılığıyla uç cihazlara dışa aktarılırken, sentetik veri ve son teknoloji algılama kombinasyonu, steps of a CV project adımlarını hızlandırarak modellerin hem çok doğru hem de inanılmaz derecede hızlı olmasını sağlar.