Rectified Flow

整流流是一种先进的生成式建模技术，它通过直线路径学习将易于采样的简单噪声分布映射到复杂数据分布。作为传统生成框架的一种高效替代方案，整流流通过求解常微分方程（ODE），将数据点从纯噪声直接传输到目标图像、音频或视频。由于模型训练时会尽量使这些路径保持笔直，因此生成高质量输出所需的步骤显著减少，推理时的计算开销也大幅降低。

整流流与扩散模型#

这两种技术都属于生成式 AI 的范畴，而整流流解决了标准扩散模型中的一些核心低效问题。扩散模型通常会在噪声分布与最终数据之间构造一条弯曲的含噪路径，因此需要数十甚至数百次迭代去噪才能生成清晰的输出。相比之下，整流流会明确优化传输路径，使其保持笔直。这种“拉直”过程让模型能够迈出更大的步长而不损失准确率，因此只需少量迭代就能生成高保真结果。

实际应用#

整流流的高效性和稳定性使其成为现代计算机视觉与媒体生成流水线的核心技术。

• 高保真合成数据生成：组织使用 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案例，这对于训练稳健的目标检测架构至关重要，同时避免人工收集数据的高昂成本。
• 高级文生图系统：Stability AI 的 Stable Diffusion 3 和 Black Forest Labs 的 FLUX 等生产级图像生成器都基于整流流 Transformer构建。这些模型为面向消费者的快速图像和视频生成工具提供支持；对于流畅的用户体验而言，较低的推理延迟至关重要。

改进计算机视觉工作流#

在实际应用中，整流流模型生成的高质量合成图像常用于下游视觉模型的预训练或微调。例如，开发者可以生成特定的制造缺陷图像，然后使用 Ultralytics Platform在云端轻松标注这些新数据。完成标注后，即可使用该数据集训练 Ultralytics YOLO26模型，实现高精度实时目标检测。

下面是一个简洁示例，演示如何使用 ultralytics 软件包，在自定义数据集上训练 Ultralytics YOLO26 模型（该数据集可以包含通过 Rectified Flow 生成的合成数据）：

from ultralytics import YOLO

# 加载最新的先进 YOLO26 模型
model = YOLO("yolo26n.pt")

# 在合成数据和真实数据的混合数据集上训练模型
results = model.train(data="custom_synthetic_data.yaml", epochs=50, imgsz=640)

# 将训练好的模型导出为 ONNX，以便快速部署
model.export(format="onnx")

通过将高效生成模型与 YOLO26 等强大的判别式工具结合起来，机器学习从业者可以构建高度稳健的 AI 系统。无论是评估模型性能指标，还是通过 TensorRT将模型导出到边缘设备，合成数据与先进检测技术的结合都能加快计算机视觉项目的各个步骤，确保模型既准确又快速。