Dòng chảy được chỉnh lưu
Khám phá Rectified Flow, một kỹ thuật mô hình hóa tạo sinh hiệu quả để tạo dữ liệu có độ chính xác cao. Tìm hiểu cách sử dụng dữ liệu tổng hợp với Ultralytics Các mẫu YOLO26.
Rectified Flow là một kỹ thuật mô hình hóa tạo sinh tiên tiến, học cách ánh xạ một phân bố nhiễu đơn giản, dễ lấy mẫu sang một phân bố dữ liệu phức tạp bằng cách sử dụng các quỹ đạo đường thẳng. Nổi lên như một giải pháp thay thế hiệu quả cao cho các khung tạo sinh truyền thống, Rectified Flow hoạt động bằng cách giải các phương trình vi phân thông thường (ODE) để vận chuyển các điểm dữ liệu từ nhiễu thuần túy trực tiếp đến hình ảnh, âm thanh hoặc video mục tiêu. Bởi vì các đường dẫn này được huấn luyện để càng thẳng càng tốt, mô hình yêu cầu ít bước hơn đáng kể để tạo ra đầu ra chất lượng cao, giảm đáng kể chi phí tính toán trong quá trình suy luận.
Mô hình dòng chảy được điều chỉnh so với mô hình khuếch tán
Mặc dù cả hai kỹ thuật đều thuộc họ AI tạo sinh rộng hơn, nhưng Rectified Flow giải quyết một số điểm thiếu hiệu quả cốt lõi thường thấy trong các mô hình khuếch tán tiêu chuẩn. Các mô hình khuếch tán thường xây dựng một đường dẫn cong, nhiễu giữa phân bố nhiễu và dữ liệu cuối cùng, đòi hỏi hàng chục hoặc thậm chí hàng trăm bước khử nhiễu lặp đi lặp lại để tạo ra đầu ra rõ ràng. Ngược lại, Rectified Flow tối ưu hóa rõ ràng các đường dẫn truyền để trở nên thẳng. Việc "làm thẳng" này cho phép mô hình thực hiện các bước lớn hơn nhiều mà không làm giảm độ chính xác, cho phép tạo ra sản phẩm có độ chính xác cao chỉ trong một vài lần lặp.
Các Ứng dụng Thực tế
Hiệu quả và tính ổn định của thuật toán Rectified Flow đã biến nó trở thành nền tảng của các quy trình xử lý hình ảnh máy tính và tạo nội dung đa phương tiện hiện đại.
Nâng cao quy trình làm việc thị giác máy tính
Trên thực tế, các hình ảnh tổng hợp chất lượng cao được tạo ra bởi các mô hình Rectified Flow thường được sử dụng để huấn luyện trước hoặc tinh chỉnh các mô hình thị giác tiếp theo. Ví dụ, các nhà phát triển có thể tạo ra các hình ảnh mục tiêu về các khuyết tật trong sản xuất và sử dụng Nền tảng Ultralytics để chú thích dữ liệu mới này một cách dễ dàng trên đám mây. Sau khi được chú thích, tập dữ liệu có thể được sử dụng để huấn luyện mô hình Ultralytics YOLO26 nhằm phát hiện đối tượng với độ chính xác cao và theo thời gian thực.
Dưới đây là một ví dụ ngắn gọn minh họa cách huấn luyện mô hình YOLO26 trên tập dữ liệu tùy chỉnh (có thể bao gồm dữ liệu tổng hợp được tạo ra thông qua Rectified Flow) bằng cách sử dụng... ultralytics bưu kiện:
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")
Bằng cách thu hẹp khoảng cách giữa các mô hình tạo sinh hiệu quả và các công cụ phân loại mạnh mẽ như YOLO26, các chuyên gia máy học có thể xây dựng các hệ thống AI có khả năng phục hồi cao. Cho dù đánh giá các chỉ số hiệu suất của mô hình hay xuất dữ liệu sang thiết bị biên thông qua TensorRT , sự kết hợp giữa dữ liệu tổng hợp và khả năng phát hiện tiên tiến sẽ đẩy nhanh các bước của dự án thị giác máy tính , đảm bảo các mô hình vừa có độ chính xác cao vừa hoạt động cực kỳ nhanh chóng.
