首先是通过K-means聚类得到anchor box的数目，这里聚类采用1—IOU（box，centriod）作为距离度量，然后在模型复杂度和召回率之间作了一个权衡，确定了K=5（标准是通过手肘法）。
YOLO -v2 损失函数：（yolo-v2开始其编码格式与V1不同。yoloV1 仅有两个box，但是编码（预测）基于单元格，分类向量只有一个，因此一个单元格只能预测一个目标。而yoloV2每个单元格有5个anchor box,且单元格编码方式改变了，编码基于单元格的anchor box，通过anchor box 预测目标类别,实现了一个单元格同时预测多个目标）
特点：所有的预测都是基于单元格的anchor box进行的，若置信得分（所有的概率预测文中都通过sigmoid函数映射得到，可将其限制在0-1之间）大于置信域值则认为有物体，进而计算IOU分配与groudtruth具有最大IOU的anchor预测目标。实际预测到的置信度是“有目标的概率×预测准确度（即IOU）”。另外，在回归位置的时候，为了使模型更快的稳定以适应初始化产生bbox偏移,通过预测一个相对于本cell左上角顶点的偏移量（tx,ty）,以及相对于负责预测的anchor-box宽高的缩放因子（tw，th）。
负责预测目标的anchor：
- 第一项：负责预测目标的anchor的坐标损失（包括中心定位和边界定位）。仅计算负责预测目标的那个anchor的坐标损失。（此项在yolo v1中边界定位是采用根号下的差值的平方）——衡量目标定位准确度
- 第三项：负责预测目标的anchor的confidence损失。负责预测物体的anchor需要计算confidence损失，confidence的目标就是让预测置信得分去逼近的预测bbox和Ground Truth的iou。——衡量可能有目标的准确度
- 第五项：负责预测目标的anchor的类别损失。每个类别的输出概率0-1之间，计算的是L2损失。也就是说分类问题也把它当做了回归问题。且yolo-V2中类别预测没有预测背景，因为置信得分值低于阈值就代表不存在目标。（此项与yolo-V1一致，只是因为不同anchor可同时预测不同目标了）——衡量目标分类的准确度
不负责预测目标的anchor：
- 第二项：不负责预测目标的anchor的坐标损失。加了限制，希望直接回归到自身anchor box。
- 第四项：不负责预测目标的anchor的confidece损失。（只计算那些与Groud Truth的IOU小于IOU阈值的anchor box）。首先，如果你与Groud Truth的IOU大于IOU阈值，且不负责预测目标，这种情况是很正常的，不予惩罚。但是，如果你的anchor box小于阈值说明本身就无意预测，那么我们干脆加上限制让你就回归到完全不预测的情况，即回归到与Ground Truth的IOU=0（此项在yolo-v1中没有）