YOLO از یک تابع تلفات (loss function) سفارشی استفاده می‌کند که شامل چندین مؤلفه تلفات است:
-
تلفات طبقه‌بندی : این تلفات میزان اطمینان متقابل بین کلاس‌های پیش‌بینی شده و واقعی برای هر باکس محاط‌کننده را اندازه‌گیری می‌کند.
-
تلفات موقعیت‌یابی : فاصله بین مختصات باکس محاط‌کننده پیش‌بینی و واقعی. معمولا از تلفات L1 استفاده می‌شود.
-
تلفات اطمینان : تلفات میزان اطمینان متقابل دودویی بر روی نمره اطمینان که نشان‌دهنده وجود یک شیء در هر باکس است.
-
تلفات objectness : تلفات میزان اطمینان متقابل دودویی ولی روی پیش‌بینی IoU بین باکس پیش‌بینی و واقعی که نشان‌دهنده میزان موقعیت‌یابی اشیاء است.
تلفات کلی YOLO مجموع وزن‌دار این تلفات است:
Loss = lambda_coord * تلفات موقعیت‌یابی + lambda_conf * تلفات اطمینان + lambda_class * تلفات طبقه‌بندی + lambda_obj * تلفات objectness
پارامترهای lambda وزن هر مؤلفه تلفات را کنترل می‌کنند. این تابع تلفات ترکیبی برای بهینه‌سازی همزمان پیش‌بینی کلاس و موقعیت‌یابی باکس در طول آموزش استفاده می‌شود.
خلاصه اینکه YOLO از ترکیبی از تلفات‌های مختلف برای ارزیابی پیش‌بینی‌های کلاس، موقعیت‌یابی اشیاء، امتیاز اطمینان و IoU برای هر باکس احاطه کننده استفاده می‌کند. این تلفات تعادلی بین جنبه‌های مختلف تشخیص اشیاء ایجاد می‌کند.