Rectified Flow
探索 Rectified Flow，这是一种用于高保真数据创建的高效生成建模技术。学习将合成数据与 Ultralytics YOLO26 模型配合使用。
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广义的生成式 AI，但 Rectified Flow 解决了标准 Diffusion Models 中存在的一些核心效率问题。Diffusion models 通常会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，Rectified Flow 明确优化了传输路径，使其保持直线。这种“平滑化”处理允许模型在不损失准确性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。
Link to this section实际应用#
Rectified Flow 的效率和稳定性使其成为了现代 计算机视觉 和媒体生成流程的基石。
- 高保真合成数据生成：各组织使用 Rectified Flow 模型来快速生成海量且多样化的 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，且无需承担昂贵的人工数据采集成本。
- Advanced Text-to-Image Systems: Leading AI research organizations, including Google DeepMind and OpenAI, are increasingly exploring straight-path generative techniques. These models power fast, consumer-facing image and video generation tools where low inference latency is critical for a smooth user experience.
Link to this section增强计算机视觉工作流程#
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，以实现高精度的实时 目标检测。
下面是一个简洁的示例，演示如何使用 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 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强大判别工具（如 YOLO26）之间的桥梁，机器学习从业者可以构建极其稳健的 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加速了 计算机视觉项目的步骤，确保模型既高度精确又极速运行。
