Rectified Flow

Rectified Flow, basit ve kolayca örneklenebilen bir gürültü dağılımını düz çizgili yörüngeler kullanarak karmaşık bir veri dağılımına eşlemeyi öğrenen gelişmiş bir üretici modelleme tekniğidir. Geleneksel üretici çerçevelere karşı son derece 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 adım gerektirir ve çıkarım sırasındaki hesaplama yükünü önemli ölçüde azaltır.

Rectified Flow ve Difüzyon Modelleri#

Her iki teknik de üretken AI'nın daha geniş ailesine ait olsa da Rectified Flow, standart Difüzyon Modellerindeki temel verimsizliklerin bazılarını giderir. Difüzyon modelleri genellikle gürültü dağılımıyla son veri arasında eğri ve gürültülü bir yol oluşturur; bu nedenle net bir çıktı üretmek için onlarca, hatta yüzlerce yinelemeli gürültü giderme adımı gerekir. Buna karşılık Rectified Flow, taşıma yollarını açıkça düz olacak şekilde optimize eder. Bu "düzleştirme", modelin doğruluğu kaybetmeden çok daha büyük adımlar atmasını ve yalnızca birkaç yinelemede yüksek kaliteli çıktılar üretmesini sağlar.

Gerçek Dünya Uygulamaları#

Rectified Flow'un verimliliği ve kararlılığı, onu modern bilgisayarlı görü ve medya üretimi işlem hatlarının temel taşı hâline getirmiştir.

• Yüksek Doğruluklu Sentetik Veri Üretimi: Kuruluşlar, büyük ve çeşitli bilgisayarlı görü veri kümelerini hızla oluşturmak için Rectified Flow modellerinden yararlanır. Bu sentetik veriler, nadir uç durumları simüle edebilir; bu da zahmetli ve maliyetli manuel veri toplama olmadan güçlü nesne tespiti mimarilerini eğitmek için kritik öneme sahiptir.
• Gelişmiş Metinden Görüntüye Sistemler: Stability AI'nin Stable Diffusion 3 ve Black Forest Labs'ın FLUX gibi üretim ortamındaki görüntü üreticileri, Rectified Flow Transformer'ları temel alır. Bu modeller; düşük çıkarım gecikmesinin akıcı bir kullanıcı deneyimi açısından kritik olduğu, tüketicilere yönelik hızlı görüntü ve video üretimi araçlarına güç verir.

Bilgisayarlı Görü İş Akışlarını Geliştirme#

Uygulamada, Rectified Flow modelleriyle üretilen yüksek kaliteli sentetik görüntüler, sonraki aşamalardaki görü modellerini önceden eğitmek veya ince ayar yapmak için sıklıkla kullanılır. Örneğin geliştiriciler, üretim kusurlarının hedefli görüntülerini oluşturabilir ve bu yeni verileri bulutta zahmetsizce etiketlemek için Ultralytics Platform kullanabilir. Etiketlenen veri kümesi, son derece doğru ve gerçek zamanlı nesne algılama için bir Ultralytics YOLO26 modelini eğitmekte kullanılabilir.

Aşağıda, ultralytics paketiyle özel bir veri kümesi (Rectified Flow kullanılarak üretilmiş sentetik veriler içerebilir) üzerinde Ultralytics YOLO26 modelinin nasıl eğitileceğini gösteren kısa bir örnek yer alıyor:

from ultralytics import YOLO

# En yeni, son teknoloji YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli sentetik/gerçek veri karışımınız üzerinde eğit
results = model.train(data="custom_synthetic_data.yaml", epochs=50, imgsz=640)

# Hızlı dağıtım için eğitilmiş modeli ONNX biçimine aktar
model.export(format="onnx")

Etkili üretici modeller ile YOLO26 gibi güçlü ayrımcı araçlar arasındaki boşluğu kapatan makine öğrenmesi uygulayıcıları, son derece dayanıklı AI sistemleri oluşturabilir. İster model performans metriklerini değerlendirsin ister TensorRT aracılığıyla uç cihazlara aktarsın, sentetik veriyle en yeni algılama teknolojisinin birleşimi CV projesinin adımlarını hızlandırarak modellerin hem son derece doğru hem de inanılmaz hızlı olmasını sağlar.