修正流

整流流是一种先进的生成式建模技术，它学习使用直线轨迹将简单、易于采样的噪声分布映射到复杂的数据分布。作为传统生成框架的高效替代方案，整流流通过求解常微分方程（ODE）来运行，这些方程将数据点从纯噪声直接传输到目标图像、音频或视频。由于这些路径被训练得尽可能笔直，模型生成高质量输出所需的步骤显著减少，从而大幅降低了推理过程中的计算开销。

整流流与扩散模型对比

尽管这两种技术都属于广义的生成式AI范畴，但整流流解决了标准扩散模型中存在的一些核心效率低下问题。扩散模型通常在噪声分布和最终数据之间构建一条弯曲、嘈杂的路径，需要数十甚至数百次迭代去噪步骤才能生成清晰的输出。相比之下，整流流明确优化传输路径使其笔直。这种“拉直”使得模型能够在不损失精度的情况下采取更大的步长，从而仅需几次迭代即可实现高保真生成。

实际应用

整流流的效率和稳定性使其成为现代计算机视觉和媒体生成流程的基石。

• 高保真合成数据生成: 组织使用Rectified Flow模型快速生成大规模、多样化的计算机视觉数据集。这些合成数据可以模拟罕见的边缘情况，这对于训练鲁棒的目标检测架构至关重要，且无需承担高昂的手动数据收集成本。
• 先进的文本到图像系统：包括 Google DeepMind 和OpenAI 在内的领先人工智能研究机构，正日益探索直通式生成技术。这些模型为快速、面向消费者的图像和视频生成工具提供支持，其中低推理延迟对于流畅的用户体验至关重要。

增强计算机视觉工作流

在实践中，整流流模型生成的高质量合成图像常用于预训练或微调下游视觉模型。例如，开发者可以生成有针对性的制造缺陷图像，并使用Ultralytics Platform在云端轻松标注这些新数据。标注完成后，该数据集可用于训练Ultralytics YOLO26模型，以实现高精度、实时的目标检测。

以下是一个简洁的示例，演示如何使用（可能包含通过整流流生成的合成数据）自定义数据集来训练YOLO26模型 ultralytics 包装

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")

通过弥合高效生成模型与YOLO26等强大判别工具之间的鸿沟，机器学习从业者可以构建高度弹性的AI系统。无论是评估模型性能指标，还是通过TensorRT导出到边缘设备，合成数据与最先进检测技术的结合，加速了计算机视觉项目步骤，确保模型既高度准确又极其快速。