Rectified Flow

Rectified Flow 是一种先进的 生成建模 技术，它通过学习使用直线轨迹将简单的、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一种高效替代方案，Rectified Flow 通过求解常微分方程 (ODE) 来运行，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，从而在推理过程中大幅降低了计算开销。

Link to this sectionRectified Flow 与 Diffusion Models 的对比#

虽然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 Diffusion Models 中存在的一些核心低效问题。Diffusion models 通常在噪声分布和最终数据之间构建一条弯曲的噪声路径，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，Rectified Flow 明确地将传输路径优化为直线。这种“直线化”使得模型可以在不损失精度的情况下迈出更大的步伐，从而仅需几次迭代即可实现高保真生成。

Link to this section实际应用#

Rectified Flow 的效率和稳定性使其成为现代 计算机视觉 和媒体生成工作流的基石。

• 高保真合成数据生成：组织使用 Rectified Flow 模型来快速生成海量、多样的 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，这对于在没有高昂手动数据收集成本的情况下训练稳健的 目标检测架构 至关重要。
• 先进的文本生成图像系统：领先的 AI 研究组织，包括 Google DeepMind 和 OpenAI，正越来越多地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。

Link to this section增强计算机视觉工作流#

在实践中，Rectified Flow 模型产生的高质量合成图像常被用于预训练或微调下游视觉模型。例如，开发者可以生成目标制造缺陷图像，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。

以下是一个简明示例，演示了如何使用 ultralytics 软件包在自定义数据集（可能包括通过 Rectified Flow 生成的合成数据）上训练 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")

通过架起高效生成模型与 YOLO26 等强大判别工具之间的桥梁，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 导出到边缘设备，合成数据与最先进检测技术的结合都能加速 计算机视觉项目的步骤，确保模型既高精度又极其快速。