Düzeltilmiş Akış

Rectified Flow, basit, kolayca örneklenebilir bir gürültü dağılımını, düz çizgi yörüngeleri kullanarak karmaşık bir veri dağılımına eşlemeyi öğrenen gelişmiş bir üretken modelleme tekniğidir. Geleneksel üretken çerçevelere oldukça verimli bir alternatif olarak ortaya çıkan Rectified Flow, veri noktalarını saf gürültüden doğrudan hedef görüntülere, seslere veya videolara aktaran sıradan diferansiyel denklemleri (ODEs) çözerek çalışır. Bu yollar mümkün olduğunca düz olacak şekilde eğitildiğinden, model yüksek kaliteli çıktılar üretmek için önemli ölçüde daha az adım gerektirir ve bu da çıkarım sırasında hesaplama yükünü önemli ölçüde azaltır.

Düzeltilmiş Akış ve Difüzyon Modelleri

Her iki teknik de daha geniş üretken AI ailesine ait olsa da, Rectified Flow, standart Difüzyon Modellerinde bulunan bazı temel verimsizlikleri ele almaktadır. Difüzyon modelleri genellikle gürültü dağılımı ile nihai veri arasında kavisli, gürültülü bir yol oluşturur ve net bir çıktı üretmek için onlarca, hatta yüzlerce yinelemeli gürültü giderme adımı gerektirir. Buna karşılık, Rectified Flow taşıma yollarını açıkça düzleştirmek için optimize eder. Bu "düzleştirme", modelin doğruluğu kaybetmeden çok daha büyük adımlar atmasını sağlar ve sadece birkaç yinelemede yüksek kaliteli üretim yapılmasını mümkün kılar.

Gerçek Dünya Uygulamaları

Rectified Flow'un verimliliği ve kararlılığı, onu modern bilgisayar görme ve medya üretimi süreçlerinin temel taşı haline getirmiştir.

• Yüksek Doğruluklu Sentetik Veri Üretimi: Kuruluşlar, Rectified Flow modellerini kullanarak büyük ve çeşitli bilgisayar görme veri kümelerini hızla oluştururlar. Bu sentetik veriler, nadir görülen sınır durumlarını simüle edebilir, bu da manuel veri toplama maliyetleri olmadan sağlam nesne algılamamim arileri eğitimi için çok önemlidir.
• Gelişmiş Metin-Görüntü Sistemleri: Google ve OpenAI gibi önde gelen yapay zeka araştırma kuruluşları, düz yol üretici tekniklerini giderek daha fazla araştırmaktadır. Bu modeller, düşük çıkarım gecikmesinin sorunsuz bir kullanıcı deneyimi için kritik öneme sahip olduğu, hızlı, tüketiciye yönelik görüntü ve video üretme araçlarını desteklemektedir.

Bilgisayar Görme İş Akışlarını Geliştirme

Uygulamada, Rectified Flow modelleri tarafından üretilen yüksek kaliteli sentetik görüntüler, genellikle ön eğitim veya aşağı akış görme modellerinin ince ayarları için kullanılır. Örneğin, geliştiriciler üretim hatalarının hedefli görüntülerini oluşturabilir ve Ultralytics kullanarak bu yeni verileri bulutta zahmetsizce açıklayabilirler. Açıklamalar eklendikten sonra, veri kümesi, yüksek doğrulukta, gerçek zamanlı nesne algılama için bir Ultralytics modelini eğitmek için kullanılabilir .

İşte, özel bir veri seti (Rectified Flow aracılığıyla oluşturulan sentetik verileri içerebilir) üzerinde YOLO26 modelini eğitmenin nasıl yapıldığını gösteren kısa bir örnek ( ultralytics Paket:

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 dayanıklı AI sistemleri oluşturabilirler. Model performans ölçütlerini değerlendirirken veya TensorRT TensorRTile dışa aktarırken, sentetik veriler ve son teknoloji algılama araçlarının birleşimi, CV projesinin adımlarını hızlandırarak modellerin hem son derece doğru hem de inanılmaz derecede hızlı olmasını sağlar.