目前，中国的城市化水平已超过50％，汽车保有量达到1.4亿辆。 随之而来的交通拥堵问题变得越来越突出。 如何实时，准确地获取车辆的基本信息越来越重要，以便交通部门及时管理特定路段和交叉路口的车辆。 目前，一些相关的方法和算法具有较高的实时性，但准确性不高或相反。 因此，本文提出了一种基于YOLOV2框架的车辆实时检测方法，该方法具有实时性和准确性。 该方法改进了YOLOv2框架模型，优化了模型中的重要参数，扩大了网格尺寸，并改进了模型中锚点的数量和大小，可以自动学习车辆的特征，实现实时，高精度的

当前，对运输的需求不断增长，随之而来的交通拥堵问题变得越来越突出。 如何自动及时检测车辆以分析道路交通信息是智能交通监控系统（ITS）的重要问题。 在一些用于检测车辆的现有方法中，不能同时考虑实时性能和精度。 因此，本文提出了一种实时性高，精度高的自动车辆检测方法。 该方法在以下几个方面改进了YOLOv2框架模型：引入了新的损失函数，扩展了网格大小以及优化了模型中锚点的数量和大小以自动学习车辆特性。 与YOLOv2，YOLOv3和Faster RCNN相比，该方法的精度和实时性能都有竞争性的提高