YOLOv5/v7 实现K折交叉验证教程：解决数据集样本稀少和类别不平衡的难题

之前写过一篇 YOLOv8 实现 k折交叉验证的流程，很多同学想在v5/v7里面也试试，那么教程就来了。

---

K折交叉验证

概念

K折交叉验证 (K-fold cross-validation) 是一种常用于评估机器学习模型性能的技术。

它可以更充分地利用有限的数据集，减少由于数据划分不当而引起的偏差，提高模型的泛化能力。

K折交叉验证的基本思想是将原始数据分成K个子集，称为"折"(Fold)，其中K-1个子集用于训练模型，剩下的1个子集用于测试模型。

这个过程会重复K次，每次选择不同的1个子集作为测试集，最后得到K个模型性能的评估结果，这些结果通常会被平均得到最终的评估指标。

---

步骤

1. 数据集划分：将原始数据集随机分成K个子集，确保每个子集的样本数量相似。通常，K的取值为5或10，但在某些情况下也可以选择其他值。

2. 训练和测试