Rectified Flow

Rectified Flow 是一种先进的生成建模技术，它通过直线轨迹学习将简单且易于采样的噪声分布映射到复杂的真实数据分布。作为传统生成框架的一种高效替代方案，Rectified Flow 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。由于这些路径经过训练尽可能保持笔直，模型生成高质量输出所需的步骤显著减少，从而在推理过程中大大降低了计算开销。

Rectified Flow 与 Diffusion Models 的对比#

尽管这两种技术都属于更广泛的生成式 AI 家族，但 Rectified Flow 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弯曲的噪声路径，需要几十甚至上百个迭代去噪步骤才能生成清晰的输出。相比之下，Rectified Flow 明确将传输路径优化为直线。这种“拉直”操作使模型能够采取大得多的步数而不会损失准确性，从而仅需几次迭代就能实现高保真生成。

实际应用#

Rectified Flow 的高效性和稳定性使其成为现代计算机视觉和媒体生成管道的基石。

• 高保真合成数据生成：组织利用 Rectified Flow 模型快速生成海量、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，这对于训练稳健的目标检测架构至关重要，同时避免了人工收集数据的高昂成本。
• 先进的文本转图像系统：领先的 AI 研究机构（包括 Google DeepMind 和 OpenAI）正日益深入探索直线路径生成技术。这些模型为快速、面向消费者的图像和视频生成工具提供动力，在这些工具中，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程#

在实践中，由 Rectified Flow 模型产生的高质量合成图像经常用于预训练或微调下游视觉模型。例如，开发者可以生成制造缺陷的目标图像，并使用Ultralytics Platform在云端轻松注释这些新数据。注释完成后，该数据集可用于训练 Ultralytics YOLO26 模型，以实现高精度的实时目标检测。

这里有一个简洁的示例，展示了如何使用 ultralytics 包在自定义数据集（可能包含通过 Rectified Flow 生成的合成数据）上训练 Ultralytics YOLO26 模型：

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出极具韧性的 AI 系统。无论是评估模型性能指标还是通过 TensorRT 导出至边缘设备，合成数据与先进检测技术的结合都加速了CV 项目的步骤，确保模型既具备极高的准确性又拥有惊人的速度。