首页yolov5固定随机数种子

yolov5固定随机数种子

时间: 2025-02-24 20:32:17 浏览: 63

### 设置 YOLOv5 的固定随机数种子为了确保实验结果具有可复现性，在训练和测试过程中设置固定的随机数种子是非常重要的。对于YOLOv5而言，可以通过修改`train.py`文件中的初始化部分来实现这一点。 #### 修改 `train.py` 在`train.py`中找到`init_seeds`函数调用的位置，并替换为自定义的`set_seeds`函数： ```python from utils.general import set_logging, check_img_size import torch import random import numpy as np def set_seeds(rank=0, seed=0, deterministic=True): # Set the seeds for all sources of randomness to ensure reproducibility. torch.manual_seed(seed + rank) random.seed(seed + rank) np.random.seed(seed + rank) if deterministic: torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False ``` 接着，在适当位置调用此新定义的方法: ```python if __name__ == '__main__': parser = argparse.ArgumentParser() ... opt = parser.parse_args() # Initialize logging and other settings before training starts set_logging() device = select_device(opt.device, batch_size=opt.batch_size) # Replace original init_seeds with custom function call here # init_seeds(2 + rank) set_seeds(2 + rank, seed=opt.seed, deterministic=True)[^3] train(...) ``` 通过上述更改，可以有效地控制整个程序运行过程中的各种伪随机行为，从而提高不同次执行间的稳定性与一致性[^1]。值得注意的是，在Jupyter Notebook环境中操作时需特别小心；建议将模型预测逻辑以及随机数种子设定放在同一个Code Cell内以保证效果[^2]。

阅读全文