预测图像中的物体

YOLO v2使用锚框检测图像中的对象类别。有关详细信息，请参见用于对象检测的锚盒YOLO v2为每个锚盒预测了以下三个属性:

图中显示了特征图中每个位置的预定义锚框(虚线)，以及应用偏移后的精炼位置。与类匹配的框是彩色的。

转移学习

通过迁移学习，您可以在YOLO v2检测网络中使用预先训练好的CNN作为特征提取器。使用yolov2Layers功能，从任何预先训练的CNN创建YOLO v2检测网络MobileNet v2．有关预先训练的cnn的列表，请参见预先训练的深度神经网络(深度学习工具箱)

您还可以根据预先训练的图像分类CNN设计自定义模型。有关详细信息，请参见设计YOLO v2检测网络．

设计YOLO v2检测网络

您可以逐层设计自定义YOLO v2模型。该模型从一个特征提取网络开始，可以从预先训练的CNN初始化，也可以从头开始训练。检测子网包含一系列的Conv，批处理规范,线性整流函数（Rectified Linear Unit）层，然后是转换层和输出层，yolov2TransformLayer和yolov2OutputLayer对象,分别。yolov2TransformLayer将原始CNN输出转换为产生对象检测所需的形式。yolov2OutputLayer定义锚盒参数，实现用于训练检测器的损耗函数。

你也可以用the深层网络设计师(深度学习工具箱)应用程序手动创建网络。设计器集成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

要学习如何使用YOLO深度学习技术与CNN一起训练目标检测器，请参阅使用YOLO v2进行对象检测的例子。

代码生成

学习如何生成CUDA^®使用YOLO v2对象检测器(使用yolov2ObjectDetector对象)看到使用YOLO v2生成对象检测的代码．

为深度学习标记训练数据

你可以使用图片标志，贴标签机视频,或地面实况贴标签机(自动驾驶工具箱)应用程序交互标签像素和导出标签数据的培训。这些应用程序还可以用于标记用于目标检测的矩形感兴趣区域(roi)，用于图像分类的场景标签，以及用于语义分割的像素。要从任何标签导出的ground truth对象创建训练数据，可以使用objectDetectorTrainingData或pixelLabelTrainingData功能。有关详细信息，请参见目标检测和语义分割的训练数据．