在训练过程中，YOLO v2网络的输出层通过优化预测的边界框和地面真值之间的均方误差损失来预测细化的边界框位置。损失函数定义为

$$\begin{array}{l}{K}_1{\displaystyle \underset{我＝0}{\overset{{\mathrm{年代}}^2}{\sum }}{\displaystyle \underset{j＝0}{\overset{B}{\sum }}{1}_{我j}^{obj}［{（x_{我}-{\stackrel{＾}{x}}_{我}）}^2+{（y_{我}-{\stackrel{＾}{y}}_{我}）}^2］}}\\ +K_1{\displaystyle \underset{我＝0}{\overset{{\mathrm{年代}}^2}{\sum }}{\displaystyle \underset{j＝0}{\overset{B}{\sum }}{1}_{我j}^{obj}［{（\sqrt{w_{我}}-\sqrt{{\stackrel{＾}{w}}_{我}}）}^2+{（\sqrt{h_{我}}-\sqrt{{\stackrel{＾}{h}}_{我}}）}^2］}}\\ +K_2{\displaystyle \underset{我＝0}{\overset{{\mathrm{年代}}^2}{\sum }}{\displaystyle \underset{j＝0}{\overset{B}{\sum }}{1}_{我j}^{obj}{（C_{我}-{\stackrel{＾}{C}}_{我}）}^2}}\\ +K_{3.}{\displaystyle \underset{我＝0}{\overset{{\mathrm{年代}}^2}{\sum }}{\displaystyle \underset{j＝0}{\overset{B}{\sum }}{1}_{我j}^{noobj}{（C_{我}-{\stackrel{＾}{C}}_{我}）}^2}}\\ +K_4{\displaystyle \underset{我＝0}{\overset{{\mathrm{年代}}^2}{\sum }}{1}_{我}^{obj}{\displaystyle \underset{c\in cl\mathrm{一个}\mathrm{年代}\mathrm{年代}e\mathrm{年代}}{\sum }{（p_{我}（c）-{\stackrel{＾}{p}}_{我}（c））}^2}}\end{array}$$

地点:

损失函数可分为三部分: