YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，称之为YOLO9000。

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v3版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。

已知m个样本 $(x^1,y^1), ...... (x^m,y^m)$，x是特征变量，y是对应的类别。要求一个模型函数h，对于新的样本 $x^t$，能够尽量准确的预测出 $y^t = h(x^t)$。

其中 $P(A \cap B)$ 意思是A和B共同发生的概率，称为联合概率。也可以写作 P(A,B) 或 P(AB)。注意，定义中A与B之间不一定有因果或者时间序列关系。

在监督学习中，已知样本 $(x_1, y_1),(x_2, y_2),...,(x_n, y_n)$，要求拟合出一个模型（函数）$\hat{f}$，其预测值$\hat{f}(x)$与样本实际值$y$的误差最小。

Boosting 是一类算法的统称，它们的主要特点是使用一组弱分类器来构造一个强分类器。弱分类器意思是预测的准确性不高，可能只比随便乱猜稍好一点。强分类器指准确性较高的分类器。简单来说的话，Boosting 可以理解为俗话所说的“三个臭皮匠顶个诸葛亮”。

Boosting 是一类算法的统称，它们的主要特点是使用一组弱分类器来构造一个强分类器。弱分类器意思是预测的准确性不高，可能只比随便乱猜稍好一点。强分类器指准确性较高的分类器。简单来说的话，Boosting 可以理解为俗话所说的“三个臭皮匠顶个诸葛亮”。