默认情况下,trainYOLOv2ObjectDetector函数对训练图像进行预处理:

当您使用表指定训练数据时trainYOLOv2ObjectDetector函数为预处理执行数据扩充。函数通过以下方式增加输入数据集:

当您使用数据存储指定训练数据时trainYOLOv2ObjectDetector函数不执行数据扩充。方法可以增加数据存储中的训练数据变换函数，然后用增强的训练数据对网络进行训练。有关如何在使用数据存储时应用扩展的更多信息，请参见预处理深度学习数据(深度学习工具箱)．

在训练过程中，YOLO v2目标检测网络优化了预测边界框与地面真值之间的MSE损失。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:

损失函数可以分为三个部分: