在图像预测对象

YOLO V2采用锚箱检测图像中的对象的类。有关详细信息，请参阅锚箱物体检测. YOLO v2预测每个锚盒的这三个属性:

图中显示了特征图中每个位置的预定义锚框(虚线)，以及应用偏移量后的细化位置。与类匹配的方框是彩色的。

迁移学习

随着迁移学习，你可以使用预训练CNN作为一个YOLO V2检测网络的特征提取。使用yolov2Layers函数来创建从任何预训练CNN一个YOLO V2检测网络，例如MobileNet V2。对于预训练的细胞神经网络的列表，请参阅预先训练的深度神经网络（深学习工具箱）

你也可以设计一个自定义模型基于一个预先训练的图像分类CNN。有关详细信息，请参阅设计一个YOLO V2探测网。

设计一个YOLO V2探测网

您可以一层一层地设计一个定制的YOLO v2模型。模型从一个特征提取器网络开始，这个特征提取器网络可以从一个预先训练好的CNN初始化，也可以从零开始训练。检测子网络包含一系列的Conv，批量规范,RELU层，随后通过变换层和输出层，yolov2TransformLayer和yolov2OutputLayer对象,分别。yolov2TransformLayer将原始CNN输出到一个窗体需要以产生对象的检测。yolov2OutputLayer定义锚盒参数并实现用于训练检测器的丢失函数。

您也可以使用深层网络设计师应用程序来手动创建的网络。设计师采用了计算机视觉工具箱™YOLO V2功能。

训练一个对象检测器，并使用YOLO v2模型检测对象

要了解如何使用YOLO深度学习技术和CNN训练目标探测器，请参见对象检测使用YOLO V2深度学习的例子。

代码生成

要了解如何生成CUDA^®代码使用YOLO v2对象检测器(使用yolov2ObjectDetector对象）见代码生成物体检测利用YOLO V2。

标签的训练数据进行深度学习

您可以使用图片标注，视频贴标机， 要么地面真相贴标机（在自动驾驶的工具箱™提供）应用程式交互式标签像素和出口标签的数据进行训练。这些应用也可以用于标记的物体检测，场景标签图像分类利息（投资回报）​​的矩形区域，并且像素语义分割。