استخدام Ultralytics للكشف عن مدى الامتثال لمخطط التوزيع

لقد دخلنا جميعًا متجرًا لشراء شيء ما، مثل الخبز أو الحبوب، وقضينا بضع دقائق في تفحص الرفوف، ثم أدركنا أننا لا نستطيع العثور عليه. أحيانًا يكون في المكان الخطأ، وأحيانًا يكون غير متوفر، وأحيانًا يكون مجرد جزء من كل ما يوجد على الرف.

بالنسبة لتجار التجزئة، يعد وضع المنتجات في المكان المناسب أمراً أكثر أهمية مما قد يبدو عليه. فهذا يؤثر على سهولة عثور العملاء على المنتجات، ويمكن أن يؤثر بشكل مباشر على المبيعات ورضا العملاء بشكل عام. ولإدارة ذلك، تستخدم المتاجر «الخريطة التخطيطية» (planogram)، وهي مخطط بسيط يوضح المكان الذي يجب وضع كل منتج فيه على الرف.

الالتزام بمخطط العرض هو عملية التحقق من مطابقة الرف الفعلي للتصميم المتوقع. وفي العديد من المتاجر، لا تزال هذه العملية تتم من خلال عمليات التدقيق اليدوية وقوائم المراجعة، وهو ما قد يستغرق وقتًا طويلاً ويؤدي إلى عدم الاتساق.

حتى التباينات البسيطة، مثل أخطاء في رموز SKU (وحدات حفظ المخزون) أو الأسعار غير الصحيحة أو المنتجات غير المتوفرة، يمكن أن تحدث فرقاً. رموز SKU هي رموز فريدة تُستخدم لتعريف track الأشكال track للمنتج track ، مثل الأحجام أو النكهات المختلفة. تؤدي هذه المشكلات إلى انخفاض توفر المنتجات على الرفوف وقد تؤدي إلى خسارة في المبيعات.

ولهذا السبب يتجه تجار التجزئة بشكل متزايد إلى استخدام تقنيات الرؤية الحاسوبية والتعرف على الصور. فهذه التقنيات القائمة على الذكاء الاصطناعي قادرة على تحليل صور الرفوف الملتقطة بواسطة الكاميرات الموجودة داخل المتاجر، detect التلقائي detect والتحقق من صحة وضعها. وتجعل نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics هذه العملية سريعة ودقيقة وعملية للاستخدام في بيئات المتاجر الفعلية.

في هذه المقالة، سنتناول خطوة بخطوة كيفية إنشاء نظام للكشف عن مدى التوافق مع مخطط الرفوف باستخدام Ultralytics . هيا بنا نبدأ!

ما المقصود بالالتزام بخطة العرض؟ 

يساعد الالتزام بمخطط العرض على الحفاظ على اتساق تصميمات المتاجر، ويدعم دقة التسعير والعروض الترويجية، ويحسن إدارة المخزون، وييسر على العملاء العثور على المنتجات على الرفوف.

وهو يشير إلى ترتيب المنتجات وفقًا لتصميم محدد مسبقًا أو مخطط عرض. ويحدد هذا التصميم المكان الذي يجب وضع كل منتج فيه، وعدد الوجهيات التي يجب أن يتضمنها (عدد المنتجات الموضوعة في مقدمة الرف والتي يمكن للعملاء رؤيتها)، والمنتجات التي يجب وضعها بجانب بعضها البعض.

يعتمد كل من تجار التجزئة والعلامات التجارية للسلع الاستهلاكية المعبأة (CPG) على مخططات العرض. يستخدمها تجار التجزئة لتنظيم الرفوف والحفاظ على التناسق بين المتاجر، بينما تستخدمها العلامات التجارية للسلع الاستهلاكية المعبأة لضمان عرض منتجاتها بشكل صحيح والحصول على الظهور المناسب.

تتضمن عملية تدقيق مخططات الرفوف مقارنة الرف الفعلي بالتصميم المتوقع. ويشمل ذلك التحقق من وجود وحدات التخزين (SKU) الصحيحة في المواقع المناسبة، ومن الحفاظ على العدد المطلوب من الوحدات المعروضة.

ربما تتساءل عما إذا كان وضع المنتج على الرف يُحدث فرقًا حقًا. ولكن عندما تتشابه المنتجات في الشكل، فإن أخطاء بسيطة في وضعها قد تجعل العثور عليها أكثر صعوبة أو تربك العملاء. 

وقد يؤثر ذلك على دقة التسعير وقرارات العملاء. ويضمن الالتزام بالمعايير تنظيم الرفوف وتحسين تجربة العملاء.

استخدام الرؤية الحاسوبية لضمان الامتثال لمخطط العرض

لطالما حافظت متاجر البيع بالتجزئة على الامتثال لخطط عرض المنتجات من خلال عمليات التدقيق اليدوية وقوائم المراجعة. حيث يقوم موظفو المتجر بفحص تخطيط الرفوف، والتحقق من وضع المنتجات ووجهها المعروض، وتسجيل ملاحظاتهم. 

ومع ذلك، قد تستغرق هذه العملية وقتًا طويلاً، وقد يكون من الصعب تطبيقها على نطاق واسع في متاجر متعددة، كما أنها غالبًا ما تؤدي إلى عدم اتساق في طريقة إجراء عمليات الفحص. وتسارع قطاع التجزئة إلى اعتماد «الرؤية الحاسوبية»، وهو مجال من مجالات الذكاء الاصطناعي يمكّن الأنظمة من تحليل الصور وفهمها، من أجل التعامل بشكل أفضل مع عمليات فحص الامتثال هذه.

تستخدم هذه الأنظمة كاميرات لالتقاط صور الرفوف ومعالجتها باستخدام نماذج مدربة للتعرف على المنتجات الفردية. وتدعم نماذج الرؤية الحاسوبية، مثل Ultralytics مهام الرؤية مثل اكتشاف الكائنات وتقسيم الحالات، مما يتيح تحديد المنتجات وتحديد مواقعها بدقة على رفوف المتاجر.

كما أن استخدام YOLO26 في هذه الحالة أمر بسيط، لأنه متاح فورًا كنموذج مُدرَّب مسبقًا، مما يوفر نقطة انطلاق قوية، ويمكن تدريبه خصيصًا على بيانات رفوف المتاجر للتعرف على منتجات محددة.

بناءً على هذه الاكتشافات، يمكن لنظام الكشف عن الامتثال لتخطيط الرفوف تحديد مواقع المنتجات على الرفوف ومقارنتها بالتخطيطات المتوقعة. وبفضل هذا النهج، يمكن لتجار التجزئة تجاوز عمليات الفحص اليدوية ومراقبة الرفوف بشكل مستمر على مستوى المتجر. 

ويمكنها detect على مستوى وحدة التخزين (SKU)، وتحديد أخطاء التوزيع، وتحسين توافر المنتجات على الرفوف والأداء العام.

فهم كيفية عمل نظام الكشف عن الامتثال لخطط العرض المدعوم بالذكاء الاصطناعي

قبل أن نتعمق في كيفية استخدام YOLO26 للكشف عن الامتثال لمخطط العرض، دعونا نرجع خطوة إلى الوراء ونفهم كيف يتكامل كل من الكشف عن المنتجات ومقارنة التخطيط في هذه الأنظمة.

يعمل نظام الامتثال لخطة العرض عادةً على مرحلتين رئيسيتين. أولاً، يقوم نموذج مثل Ultralytics بتحليل صور الرفوف detect classify . ومع كل عملية اكتشاف، يقدم النموذج معلومات عن الموقع توضح مكان ظهور كل منتج على الرف.

بعد ذلك، يتم تنظيم هذه العناصر المكتشفة في تخطيط منظم للرفوف. ويتم تجميع المنتجات بناءً على مواقعها، عادةً في صفوف على الرفوف، لتعكس الطريقة التي يتم بها ترتيب العناصر في الواقع.

ثم تتم مقارنة هذا التخطيط المنظم بالخطة المرجوة لترتيب الرفوف. ويقوم النظام بالتحقق مما إذا كانت وحدات التخزين (SKU) الصحيحة موجودة في المواقع الصحيحة، وما إذا تم الحفاظ على العدد المطلوب من الوجهات المعروضة، وما إذا كانت هناك أي منتجات مفقودة أو في غير مكانها.

من خلال الجمع بين تحديد المنتجات ومقارنة الترتيب، يمكن للنظام تحديد الاختلافات بين الترتيب المتوقع للرفوف والترتيب الفعلي. ويمكن عرض النتائج في شكل تقارير امتثال أو لوحات معلومات تسلط الضوء على المشكلات على مستوى المتجر.

وهذا يتيح لفرق العمل في المتاجر فهم المشكلة بسرعة واتخاذ الإجراءات التصحيحية والحفاظ على مستوى ثابت من الأداء في مجال البيع بالتجزئة.

إعداد مجموعة بيانات لإنشاء نظام للتأكد من التزام المتاجر بتخطيط الرفوف

تتمثل الخطوة الأولى في إنشاء نظام لضمان الامتثال لخطط العرض في إعداد مجموعة بيانات منظمة بشكل جيد. ويتضمن ذلك جمع صور للرفوف من بيئات بيع بالتجزئة مختلفة. وتؤثر جودة هذه البيانات وتنوعها بشكل مباشر على مدى كفاءة أداء النموذج.

يمكن أيضًا استخدام قواعد البيانات العامة كنقطة انطلاق. ومع ذلك، ونظرًا لاختلاف تصميمات المتاجر ومجموعات المنتجات وترتيب الرفوف من متجر لآخر، فإنها غالبًا ما لا تتطابق تمامًا مع الظروف الفعلية. 

عادةً ما يكون إنشاء مجموعة بيانات مخصصة ومصممة خصيصًا لتناسب بيئة المتجر المستهدف أمرًا ضروريًا لضمان الأداء الموثوق. ويمكن جمع البيانات باستخدام صور الرفوف الملتقطة بواسطة الكاميرات الموجودة داخل المتجر أو الأجهزة المحمولة في مختلف مواقع البيع بالتجزئة. 

بالإضافة إلى البيانات الواقعية، يمكن استخدام نماذج محاكاة لترتيبات الرفوف لإنشاء سيناريوهات خاضعة للرقابة. ويتيح الجمع بين الاثنين للنموذج الأداء بموثوقية أكبر في بيئات المتاجر المختلفة.

ومن الضروري أيضًا تسجيل مختلف الظروف الفعلية للمتاجر، مثل التغييرات في التصميمات، وترتيب الرفوف، ووضع المنتجات، والإضاءة، وزوايا التصوير، وتنظيم الرفوف. ومن خلال جمع بيانات متنوعة وواقعية، يمكن للنموذج أن يتعلم التعميم عبر المتاجر المختلفة، ودعم الكشف الدقيق عن مدى الامتثال لمخططات الرفوف على نطاق واسع.

نظرة عامة على عملية وضع العلامات على مجموعة بيانات تجارة التجزئة

بمجرد جمع البيانات، تكون الخطوة التالية هي وضع العلامات. يتم تمييز كل منتج في الصورة عن طريق رسم مربعات محيطة به، حتى يتعلم النموذج التعرف على مختلف رموز المنتجات (SKU).

أثناء وضع العلامات، من المهم تحديد فئات واضحة. ويمكن القيام بذلك بمستويات مختلفة من التفصيل، حسب مخطط العرض. 

على مستوى SKU، يتم تصنيف كل نوع من أنواع المنتج، مثل علامة تجارية معينة أو مقاس أو نكهة، بشكل منفصل. أما على مستوى الفئة، فيمكن تجميع المنتجات المتشابهة معًا، مثل جميع المشروبات الغازية أو جميع الوجبات الخفيفة.

يمكن لأدوات مثل Ultralytics وهي بيئة متكاملة لإدارة مجموعات البيانات والتعليق عليها وتدريب النماذج ونشرها، أن تبسط هذه العملية. فهي تدعم كلاً من التعليق اليدوي ووضع العلامات بمساعدة الذكاء الاصطناعي، حيث يمكن للنماذج اقتراح تعليقات يمكن مراجعتها وصقلها، مما يساعد على تحسين السرعة والاتساق.

تدريب نموذج Ultralytics على التعرف على المنتجات

بمجرد الانتهاء من إعداد مجموعة البيانات وتصنيفها، تتمثل الخطوة التالية في تدريب نموذج YOLO26 على detect على رفوف المتاجر. ويمكن القيام بذلك باستخدام Python Ultralytics Python أو Ultralytics . 

توفرPython Ultralytics Python المرونة اللازمة لإنشاء مسارات عمل مخصصة ودمج عمليات التدريب في سير العمل الحالي. وبالمثل، توفر Ultralytics بيئة موحدة تتيح لك التعامل مع عمليات التوضيح وإدارة مجموعات البيانات وتهيئة عمليات التدريب وإجراء التجارب ومراقبة النتائج، كل ذلك من خلال لوحة تحكم واحدة. 

كما توفر GPU السحابية للتدريب القابل للتوسع وتدعم عملية النشر، مما يقلل من الحاجة إلى إعداد البنية التحتية أو إدارة التبعيات.

قبل البدء في التدريب، إليك بعض العوامل الأساسية الأخرى التي يجب أخذها في الاعتبار:

• تقسيم مجموعة البيانات: يجب تقسيم مجموعة البيانات إلى مجموعات للتدريب والتحقق والاختبار. ويساعد ذلك في تقييم مدى قدرة النموذج على التعميم على البيانات الجديدة وتجنب الإفراط في التكيف.
• اختيار النموذج: تتوفر نماذج YOLO26 بأحجام مختلفة، مما يتيح لك تحقيق التوازن بين السرعة والدقة وفقًا لاحتياجاتك في مجال النشر.
• إعدادات التدريب: يمكن أن تؤثر معلمات مثل حجم الدفعة وحجم الصورة وعدد الدورات على كل من سرعة التدريب وأداء النموذج. 

بعد اكتمال التدريب، يمكن تقييم النموذج باستخدام مقاييس مثل الدقة، ومعدل الاسترجاع، ومتوسط الدقة mAP ). تتيح لك هذه المقاييس قياس مدى دقة النموذج في اكتشاف المنتجات ومدى نجاحه في تجنب الأخطاء.

إذا لم يكن أداء النموذج قويًا بما يكفي، فيمكن تحسين مجموعة البيانات وإعدادات التدريب. وقد يشمل ذلك تطبيق تقنية توسيع البيانات، أو إضافة صور أكثر تنوعًا، أو تحقيق التوازن بين الفئات التي تظهر فيها بعض وحدات التخزين (SKU) بوتيرة أقل.

دمج منطق الامتثال لمخطط العرض

الخطوة التالية بعد تدريب النموذج وتقييمه هي بناء المنطق الذي يقوم بفحص مدى التوافق مع مخطط الرفوف. ويتضمن ذلك تنظيم بيانات الرفوف ومقارنتها بالتصميم المتوقع.

فيما يلي لمحة عامة عن كيفية سير هذه العملية:

• تحديد التخطيط المتوقع للرفوف: أولاً، يتم تحديد التخطيط المتوقع للرفوف باستخدام مخطط التوزيع، ويتم تمثيله على شكل شبكة منظمة تتكون من صفوف وأعمدة. ويتوافق كل موضع في الشبكة مع رمز منتج (SKU) محدد، مما يعكس الطريقة التي ينبغي بها ترتيب المنتجات على مساحة الرف.
• تنظيم المنتجات المكتشفة: بعد ذلك، يتم ترتيب النتائج التي توصل إليها النموذج بناءً على مواقعها على الرف. وباستخدام إحداثياتها، يتم فرز المنتجات وتجميعها في صفوف الرف، مما يحول النتائج الأولية إلى تخطيط منظم يعكس الترتيب الفعلي للرف.
• مقارنة الترتيب المتوقع بالترتيب الفعلي: بعد ذلك، تتم مقارنة الترتيب الفعلي للرفوف بالخطة المرجوة لتحديد الاختلافات. إذا لم يتطابق المنتج الذي تم رصده مع رمز المنتج (SKU) المتوقع، يتم تصنيفه على أنه في غير مكانه. وإذا كان هناك منتج مفقود من مكانه، يتم الإبلاغ عنه على أنه مفقود. ويمكن استخدام هذه الخطوة أيضًا للتحقق من الالتزام بالعدد المطلوب من الوحدات المعروضة.
• إصدار نتائج الامتثال: وأخيرًا، يمكن إصدار تقرير امتثال لكل رف، يسلط الضوء على حالات عدم الامتثال والانحرافات والتباينات. ويمكن مشاركة هذه النتائج عبر لوحات المعلومات لمساعدة الفرق على تحديد المشكلات ومعالجتها بسرعة.

تطبيق نموذج رؤية لضمان الامتثال لمخطط العرض

بعد تطوير حل يدمج بين ميزات الكشف عن المنتجات ومنطق الامتثال، تتمثل الخطوة التالية في نشره في بيئة متاجر البيع بالتجزئة. وهناك عدة خيارات مختلفة يجب أخذها في الاعتبار عند الشروع في عملية النشر، وذلك اعتمادًا على حالة الاستخدام والبنية التحتية.

أحد الخيارات هو نشر النموذج على أجهزة الحافة، مثل الخوادم الموجودة داخل المتاجر أو الأجهزة المدمجة. يتم وضع هذه الأنظمة بالقرب من الكاميرات بحيث يمكن معالجة صور الرفوف في المكان الذي يتم التقاطها فيه، مما يتيح زمن انتقال منخفض ومراقبة في الوقت الفعلي.

هناك خيار آخر يتمثل في النشر القائم على السحابة، حيث يتم إرسال الصور إلى خوادم بعيدة للمعالجة. ويمكن أن يسهل ذلك إدارة عمليات النشر وتوسيع نطاقها عبر مواقع متعددة، لا سيما عندما تكون هناك حاجة إلى مراقبة مركزية.

يوجد ضمن Ultralytics العديد من الخيارات التي تدعم سيناريوهات النشر المختلفة هذه. على سبيل المثال، باستخدامPython Ultralytics Python يمكن تصدير نماذج YOLO26 المدربة إلى صيغ مختلفة مثل ONNX أو TensorRT أو CoreML. 

وهذا يتيح تشغيل النماذج على مجموعة واسعة من الأجهزة، بما في ذلك وحدات معالجة الرسومات (GPUs) ووحدات المعالجة المركزية (CPUs) والأجهزة المحمولة والأنظمة المدمجة، وفقًا لاحتياجات النشر.

وفي الوقت نفسه، توفر Ultralytics خيارات نشر مدمجة تعمل على تبسيط عمليات الاختبار والتكامل والنشر في بيئة الإنتاج. ويمكن اختبار النماذج مباشرةً في المتصفح، أو دمجها في التطبيقات باستخدام واجهات برمجة التطبيقات (API) المشتركة الخاصة بالاستدلال، أو نشرها على نقاط نهاية مخصصة للاستخدام القابل للتوسع في بيئة الإنتاج. 

كما تدعم المنصة تصدير النماذج لتشغيلها على أنظمة خارجية أو أجهزة طرفية، مما يسهل الانتقال من مرحلة التطوير إلى مرحلة النشر الفعلي. وبالإضافة إلى ذلك، تتضمن المنصة أدوات مراقبة تساعد على track بعد النشر وتضمن التشغيل الموثوق به على المدى الطويل.

فوائد استخدام الذكاء الاصطناعي في مجال الرؤية للكشف عن الامتثال لخطط العرض

فيما يلي بعض المزايا الرئيسية لاستخدام YOLO26 في إنشاء نظام لضمان الامتثال لمخططات العرض: 

• قابل للتكيف مع بيئات البيع بالتجزئة المختلفة: يمكن إعادة تدريب YOLO26 أو ضبطه بدقة باستخدام بيانات جديدة، مما يجعله قابلاً للتكيف مع مختلف تصميمات المتاجر ومجموعات المنتجات والاختلافات الإقليمية.
• يحسّن عملية اتخاذ القرارات القائمة على البيانات: يمكن تجميع بيانات الامتثال من مختلف المتاجر لتحديد الاتجاهات وقياس الأداء وتحسين استراتيجيات البيع بالتجزئة.
• المراقبة المستمرة في الوقت الفعلي: تم تحسين YOLO26 من أجل الاستدلال منخفض التأخير، مما يتيح التحليل المستمر لصور الرفوف والكشف في الوقت الفعلي عن التغييرات في وضع المنتجات على الأجهزة الطرفية.
• التكامل مع أنظمة البيع بالتجزئة: يمكن دمج نظام الكشف عن الامتثال لخطط العرض، المدعوم بتقنية YOLO26، مع أنظمة المخزون أو نقاط البيع (POS) أو أنظمة التحليلات لتوفير رؤية أكثر شمولية لأداء المتجر.

النقاط الرئيسية

يعد الالتزام بخطة العرض أمرًا حيويًا للحفاظ على دقة وضع المنتجات واتساق عمليات البيع بالتجزئة. ومن خلال الجمع بين تقنية الكشف عن المنتجات ومقارنة الترتيب، يمكن للمتاجر تقليل عمليات التدقيق اليدوية وفحص الرفوف بدقة أكبر. وبفضل نماذج مثل YOLO26، يمكن استخدام هذه الأنظمة في العديد من المتاجر، كما يمكنها دعم اتخاذ قرارات أفضل باستخدام البيانات على مستوى المتجر.

هل ترغب في دمج تقنية الذكاء الاصطناعي للرؤية في مشاريعك؟ انضم إلى مجتمعنا النشط وتعرف على تطبيقات الذكاء الاصطناعي للرؤية في قطاع التجزئة والرؤية الحاسوبية في مجال الروبوتات. استكشف مستودع GitHub الخاص بنا لمعرفة المزيد. اطلع على خيارات الترخيص المتاحة لدينا لتبدأ!