استخدام Ultralytics YOLO26 لاكتشاف مطابقة مخطط ترتيب المنتجات

لقد دخلنا جميعًا متجرًا لشراء شيء مثل الخبز أو حبوب الإفطار، وأمضينا بضع دقائق في تفحّص الرفوف، ثم أدركنا أننا لا نستطيع العثور عليه. أحيانًا يكون في المكان الخطأ، وأحيانًا يكون غير متوفر، وأحيانًا يندمج ببساطة مع كل شيء آخر على الرف.

بالنسبة إلى تجار التجزئة، يُعد الحفاظ على المنتجات في المكان الصحيح أكثر أهمية مما قد يبدو. فهو يؤثر في سهولة عثور العملاء على المنتجات، ويمكن أن يؤثر مباشرةً في المبيعات ورضا العملاء عمومًا. ولإدارة ذلك، تستخدم المتاجر مخططًا رفّيًا، وهو تخطيط بسيط يوضح موضع كل منتج على الرف.

الالتزام بالمخطط الرفّي هو عملية التحقق من تطابق الرف الفعلي مع التخطيط المتوقع. ولا تزال هذه العملية تُجرى في كثير من المتاجر من خلال عمليات تدقيق وقوائم تحقق يدوية، ما قد يستغرق وقتًا طويلًا ويؤدي إلى نتائج غير متسقة.

الشكل 1. مخطط رفّي مقابل رف فعلي (مخطط واقعي) مع نتائج اكتشاف الالتزام (المصدر)

حتى التباينات الصغيرة، مثل وضع رموز SKU في غير مواضعها، أو التسعير غير الصحيح، أو المنتجات غير المتوفرة، يمكن أن تُحدث فرقًا. ورموز SKU هي رموز فريدة تُستخدم لتحديد متغيرات المنتجات الفردية وتتبعها، مثل الأحجام أو النكهات المختلفة. وتؤدي هذه المشكلات إلى تقليل توافر المنتجات على الرفوف، وقد تتسبب في خسارة المبيعات.

لهذا السبب، يتجه تجار التجزئة بشكل متزايد إلى الرؤية الحاسوبية والتعرّف على الصور. ويمكن لتقنيات الذكاء الاصطناعي هذه تحليل صور الرفوف الملتقطة من كاميرات المتجر، واكتشاف المنتجات تلقائيًا، والتحقق من وضعها بصورة صحيحة. وتجعل نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO26، هذه العملية سريعة ودقيقة وعملية للاستخدام في بيئات المتاجر الحقيقية.

في هذا المقال، سنستعرض كيفية إنشاء نظام لاكتشاف الالتزام بالمخطط الرفّي باستخدام Ultralytics YOLO26. لنبدأ!

ما الالتزام بالمخطط الرفّي؟#

يساعد الالتزام بالمخطط الرفّي في الحفاظ على اتساق تخطيطات المتاجر، ودعم دقة التسعير والعروض الترويجية، وتحسين إدارة المخزون، وتسهيل عثور العملاء على المنتجات على الرف.

ويشير إلى ترتيب المنتجات وفق تخطيط محدد مسبقًا أو مخطط رفّي. ويحدد هذا التخطيط موضع كل منتج، وعدد الواجهات التي ينبغي أن تكون له (عدد المنتجات الموضوعة في مقدمة الرف والظاهرة للعملاء)، والمنتجات التي ينبغي وضعها بجانب بعضها.

يعتمد كل من تجار التجزئة والعلامات التجارية للسلع الاستهلاكية المعبأة (CPG) على المخططات الرفّية. ويستخدمها تجار التجزئة لتنظيم الرفوف والحفاظ على الاتساق بين المتاجر، بينما تستخدمها العلامات التجارية للسلع الاستهلاكية المعبأة لضمان عرض منتجاتها بصورة صحيحة وحصولها على الظهور المناسب.

الشكل 2. نظرة على مطابقة مخطط رفّي مع تخطيط رف فعلي (المصدر)

تتضمن عملية تدقيق المخطط الرفّي مقارنة الرف الفعلي بالتخطيط المتوقع. ويشمل ذلك التحقق من وجود رموز SKU الصحيحة في المواضع الصحيحة، والحفاظ على العدد المطلوب من الواجهات.

قد تتساءل عما إذا كان موضع المنتج على الرف يُحدث فرقًا فعلًا. لكن عندما تبدو المنتجات متشابهة، فإن أخطاء الموضع الصغيرة قد تجعل العثور على المنتجات أكثر صعوبة أو تربك العملاء.

وقد يؤثر ذلك في دقة التسعير وقرارات العملاء. ويساعد الحفاظ على الالتزام في إبقاء الرفوف منظمة وتعزيز تجربة العملاء.

استخدام الرؤية الحاسوبية للالتزام بالمخطط الرفّي#

تقليديًا، حافظت متاجر التجزئة على الالتزام بالمخطط الرفّي من خلال عمليات تدقيق وقوائم تحقق يدوية. ويفحص موظفو المتجر تخطيطات الرفوف، ويتحققون من مواضع المنتجات وواجهاتها، ويسجلون الملاحظات.

ومع ذلك، قد تستغرق هذه العملية وقتًا طويلًا، ويصعب توسيع نطاقها عبر متاجر متعددة، وغالبًا ما تؤدي إلى عدم اتساق في طريقة إجراء عمليات التحقق. وتتجه صناعة التجزئة بسرعة إلى اعتماد الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يمكّن الأنظمة من تحليل الصور وفهمها، للتعامل بصورة أفضل مع عمليات التحقق من الالتزام.

تستخدم هذه الأنظمة الكاميرات لالتقاط صور الرفوف ومعالجتها باستخدام نماذج مدرّبة للتعرف على المنتجات الفردية. وتدعم نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، مهام رؤية مثل اكتشاف الكائنات وتقسيم المثيلات، ما يتيح تحديد المنتجات وتحديد مواقعها بدقة على رفوف متاجر التجزئة.

الشكل 3. مثال على استخدام YOLO26 لاكتشاف المنتجات وتقسيمها على رف متجر تجزئة (المصدر)

كما أن استخدام Ultralytics YOLO26 لهذه الحالة سهل، إذ يتوفر مباشرةً كنموذج مدرّب مسبقًا، ويوفر نقطة بداية قوية، ويمكن تدريبه مخصصًا على بيانات رفوف متاجر التجزئة للتعرف على منتجات محددة.

استنادًا إلى عمليات الاكتشاف هذه، يمكن لنظام اكتشاف الالتزام بالمخطط الرفّي تحديد مواضع المنتجات على الرف ومقارنتها بالتخطيطات المتوقعة. ومن خلال هذا النهج، يستطيع تجار التجزئة تجاوز عمليات التحقق اليدوية ومراقبة الرفوف باستمرار على مستوى المتجر.

ويمكنهم اكتشاف المنتجات على مستوى SKU، وتحديد أخطاء الموضع، وتحسين توافر المنتجات على الرف والتنفيذ العام.

فهم آلية عمل اكتشاف الالتزام بالمخطط الرفّي المدعوم بالذكاء الاصطناعي#

قبل أن نتعمق في كيفية استخدام Ultralytics YOLO26 لاكتشاف الالتزام بالمخطط الرفّي، لنتراجع خطوة ونفهم كيفية تكامل اكتشاف المنتجات ومقارنة التخطيطات في هذه الأنظمة.

يعمل نظام الالتزام بالمخطط الرفّي عادةً على مرحلتين رئيسيتين. أولًا، يحلل نموذج مثل Ultralytics YOLO26 صور الرفوف لاكتشاف المنتجات وتصنيفها. وبالإضافة إلى كل عملية اكتشاف، يوفر النموذج معلومات عن الموقع توضح مكان ظهور كل منتج على الرف.

بعد ذلك، تُنظم عمليات الاكتشاف هذه في تخطيط رفّي منظم. وتُجمع المنتجات استنادًا إلى مواضعها، عادةً في صفوف الرفوف، لتعكس كيفية ترتيب العناصر في العالم الحقيقي.

الشكل 4. يمكن لـ Ultralytics YOLO26 تمكين الالتزام بالمخطط الرفّي. (المصدر)

ثم يُقارن هذا التخطيط المنظم بالمخطط الرفّي المتوقع. ويتحقق النظام من وجود رموز SKU الصحيحة في المواضع الصحيحة، والحفاظ على العدد المطلوب من الواجهات، والتحقق من عدم وجود منتجات مفقودة أو موضوعة في غير مواضعها.

ومن خلال الجمع بين اكتشاف المنتجات ومقارنة التخطيطات، يستطيع النظام تحديد الاختلافات بين ترتيب الرف المتوقع والفعلي. ويمكن عرض النتائج في صورة تقارير التزام أو لوحات معلومات تسلط الضوء على المشكلات على مستوى المتجر.

وهذا يسهّل على فرق المتجر فهم المشكلة بسرعة، واتخاذ الإجراءات التصحيحية، والحفاظ على تنفيذ متسق لعمليات البيع بالتجزئة.

إعداد مجموعة بيانات لإنشاء نظام للالتزام بالمخطط الرفّي#

تتمثل الخطوة الأولى في إنشاء نظام للالتزام بالمخطط الرفّي في إعداد مجموعة بيانات جيدة التنظيم. ويتضمن ذلك جمع صور للرفوف من بيئات مختلفة لمتاجر التجزئة. وتؤثر جودة هذه البيانات وتنوعها مباشرةً في أداء النموذج.

يمكن أيضًا استخدام مجموعات البيانات العامة كنقطة بداية. ومع ذلك، نظرًا إلى اختلاف تخطيطات المتاجر وتشكيلات المنتجات وترتيبات الرفوف بين تجار التجزئة، فإنها غالبًا لا تتطابق تمامًا مع الظروف الواقعية.

عادةً ما يكون إنشاء مجموعة بيانات مخصصة مصممة وفق بيئة المتجر المستهدف ضروريًا لتحقيق أداء موثوق. ويمكن جمع البيانات باستخدام صور للرفوف ملتقطة من كاميرات المتجر أو الأجهزة المحمولة عبر مواقع مختلفة لمتاجر التجزئة.

بالإضافة إلى البيانات الواقعية، يمكن استخدام إعدادات رفوف محاكاة لإنشاء سيناريوهات مضبوطة. ويتيح الجمع بين النهجين للنموذج أداءً أكثر موثوقية عبر بيئات المتاجر المختلفة.

ومن الضروري أيضًا التقاط ظروف مختلفة للمتاجر الحقيقية، مثل التغييرات في التخطيطات، وترتيبات الرفوف، ومواضع المنتجات، والإضاءة، وزوايا الكاميرا، وتنظيم الرفوف. ومن خلال جمع بيانات متنوعة وواقعية، يستطيع النموذج تعلم التعميم عبر المتاجر ودعم اكتشاف الالتزام بالمخطط الرفّي بدقة وعلى نطاق واسع.

نظرة عامة على وسم مجموعة بيانات لمتجر تجزئة#

بعد جمع البيانات، تتمثل الخطوة التالية في الوسم. ويُوسم كل منتج في الصورة برسم مربعات إحاطة حوله، حتى يتعلم النموذج التعرف على رموز SKU المختلفة.

أثناء الوسم، من المهم تحديد فئات واضحة. ويمكن تنفيذ ذلك بمستويات مختلفة من التفصيل، اعتمادًا على المخطط الرفّي.

على مستوى SKU، يُوسم كل متغير من المنتجات، مثل علامة تجارية أو حجم أو نكهة محددة، بصورة منفصلة. وعلى مستوى الفئة، يمكن تجميع المنتجات المتشابهة معًا، مثل جميع المشروبات الغازية أو جميع الوجبات الخفيفة.

يمكن لأدوات مثل منصة Ultralytics، وهي بيئة متكاملة لإدارة مجموعات البيانات والوسم والتدريب والنشر، تبسيط هذه العملية. وهي تدعم كلاً من الوسم اليدوي والوسم بمساعدة الذكاء الاصطناعي، حيث يمكن للنماذج اقتراح وسوم تُراجع وتُنقح، ما يساعد في تحسين السرعة والاتساق.

تدريب Ultralytics YOLO26 لاكتشاف المنتجات#

بعد إعداد مجموعة البيانات ووسمها، تتمثل الخطوة التالية في تدريب YOLO26 لاكتشاف المنتجات على رفوف متاجر التجزئة. ويمكن تنفيذ ذلك باستخدام حزمة Ultralytics Python أو منصة Ultralytics.

توفر حزمة Ultralytics Python مرونةً لإنشاء مسارات معالجة مخصصة ودمج التدريب في سير العمل الحالي. وبالمثل، توفر منصة Ultralytics بيئة موحدة يمكن من خلالها إجراء الوسم، وإدارة مجموعات البيانات، وتهيئة التدريب، وتشغيل التجارب، ومراقبة النتائج من لوحة معلومات واحدة.

كما توفر خيارات GPU سحابية للتدريب القابل للتوسع، وتدعم النشر، ما يقلل الحاجة إلى إعداد البنية التحتية أو إدارة التبعيات.

قبل بدء التدريب، إليك بعض العوامل الرئيسية الأخرى التي ينبغي أخذها في الاعتبار:

• تقسيم مجموعة البيانات: ينبغي تقسيم مجموعة البيانات إلى مجموعات للتدريب والتحقق والاختبار. ويساعد ذلك في تقييم مدى تعميم النموذج على البيانات الجديدة وتجنب فرط التكيّف.
• اختيار النموذج: تتوفر نماذج Ultralytics YOLO26 بأحجام مختلفة، ما يتيح تحقيق التوازن بين السرعة والدقة استنادًا إلى احتياجات النشر.
• تهيئة التدريب: يمكن أن تؤثر معلمات مثل حجم الدفعة، وحجم الصورة، وعدد الحقب في سرعة التدريب وأداء النموذج على حد سواء.

بعد اكتمال التدريب، يمكن تقييم النموذج باستخدام مقاييس مثل الدقة والاستدعاء وmAP (متوسط الدقة). وتتيح لك هذه المقاييس قياس مدى دقة اكتشاف النموذج للمنتجات ومدى نجاحه في تجنب الأخطاء.

إذا لم يكن أداء النموذج قويًا بما يكفي، فيمكن تحسين مجموعة البيانات وإعداد التدريب. وقد يشمل ذلك تطبيق زيادة البيانات، وإضافة صور أكثر تنوعًا، أو موازنة الفئات التي تظهر فيها بعض رموز SKU بوتيرة أقل.

دمج منطق الالتزام بالمخطط الرفّي#

تتمثل الخطوة التالية بعد تدريب النموذج وتقييمه في إنشاء المنطق الذي ينفذ عمليات التحقق من الالتزام بالمخطط الرفّي. ويتضمن ذلك تنظيم بيانات الرف ومقارنتها بالتخطيط المتوقع.

فيما يلي نظرة عامة على كيفية عمل هذه العملية:

• تحديد تخطيط الرف المتوقع: أولًا، يُحدد تخطيط الرف المتوقع باستخدام المخطط الرفّي، ويُمثّل في صورة شبكة منظمة ذات صفوف وأعمدة. ويتوافق كل موضع في الشبكة مع SKU محدد، بما يعكس كيفية ترتيب المنتجات في مساحة الرف.
• تنظيم المنتجات المكتشفة: بعد ذلك، تُرتب عمليات اكتشاف النموذج استنادًا إلى مواضعها على الرف. وباستخدام إحداثياتها، تُفرز المنتجات وتُجمع في صفوف الرفوف، لتحويل عمليات الاكتشاف الخام إلى تخطيط منظم يعكس ترتيب الرف الفعلي.
• مقارنة التخطيطات المتوقعة والفعلية: بعد ذلك، يُقارن تخطيط الرف المنظم بالمخطط الرفّي المتوقع لتحديد الاختلافات. فإذا لم يتطابق المنتج المكتشف مع SKU المتوقع، يُوسم بأنه موضوع في غير موضعه. وإذا كان منتج مفقودًا من موضع ما، يُعلّم بأنه مفقود. ويمكن استخدام هذه الخطوة أيضًا للتحقق من الحفاظ على العدد المطلوب من الواجهات.
• إنشاء نتائج الالتزام: أخيرًا، يمكن إنشاء تقرير التزام لكل رف، مع إبراز حالات عدم الالتزام والانحرافات والتباينات. ويمكن مشاركة هذه المخرجات عبر لوحات المعلومات لمساعدة الفرق في تحديد المشكلات ومعالجتها بسرعة.

نشر نموذج رؤية للالتزام بالمخطط الرفّي#

بعد إنشاء حل يدمج اكتشاف المنتجات ومنطق الالتزام، تتمثل الخطوة التالية في نشره في بيئة متجر تجزئة. وهناك عدة خيارات ينبغي أخذها في الاعتبار عند التعامل مع النشر، اعتمادًا على حالة الاستخدام والبنية التحتية.

يتمثل أحد الخيارات في نشر النموذج على أجهزة الحافة، مثل خوادم المتجر أو الأجهزة المضمنة. وتوضع هذه الأنظمة بالقرب من الكاميرات حتى يمكن معالجة صور الرفوف في مكان التقاطها، ما يتيح زمن استجابة منخفضًا ومراقبة آنية.

ويتمثل خيار آخر في النشر المستند إلى السحابة، حيث تُرسل الصور إلى خوادم بعيدة لمعالجتها. وقد يسهل ذلك إدارة عمليات النشر وتوسيع نطاقها عبر مواقع متعددة، ولا سيما عند الحاجة إلى مراقبة مركزية.

ضمن منظومة Ultralytics، تتوفر عدة خيارات تدعم سيناريوهات النشر المختلفة هذه. فعلى سبيل المثال، باستخدام حزمة Ultralytics Python، يمكن تصدير نماذج YOLO26 المدرّبة إلى تنسيقات مختلفة مثل ONNX أو TensorRT أو CoreML.

ويتيح ذلك تشغيل النماذج على مجموعة واسعة من الأجهزة، بما في ذلك وحدات معالجة الرسومات (GPU)، ووحدات المعالجة المركزية (CPU)، والأجهزة المحمولة، والأنظمة المضمنة، وفقًا لاحتياجات النشر.

في الوقت نفسه، توفر منصة Ultralytics خيارات نشر مدمجة تبسط الاختبار والتكامل والنشر في بيئة الإنتاج. ويمكن اختبار النماذج مباشرةً في المتصفح، أو دمجها في التطبيقات باستخدام واجهات برمجة تطبيقات للاستدلال مشتركة، أو نشرها على نقاط نهاية مخصصة للاستخدام القابل للتوسع في بيئة الإنتاج.

كما تدعم تصدير النماذج لتشغيلها على أنظمة خارجية أو أجهزة حافة، ما يسهل الانتقال من التطوير إلى النشر الواقعي. بالإضافة إلى ذلك، تتضمن المنصة أدوات مراقبة تساعد في تتبع الأداء بعد النشر وضمان التشغيل الموثوق بمرور الوقت.

فوائد استخدام الذكاء الاصطناعي للرؤية في اكتشاف الالتزام بالمخطط الرفّي#

فيما يلي بعض المزايا الرئيسية لاستخدام Ultralytics YOLO26 لإنشاء نظام للالتزام بالمخطط الرفّي:

• قابلية التكيف مع بيئات متاجر التجزئة المختلفة: يمكن إعادة تدريب Ultralytics YOLO26 أو ضبطه بدقة على بيانات جديدة، ما يجعله قابلًا للتكيف مع تخطيطات المتاجر المختلفة، وتشكيلات المنتجات، والاختلافات الإقليمية.
• تحسين اتخاذ القرارات المستندة إلى البيانات: يمكن تجميع بيانات الالتزام عبر المتاجر لتحديد الاتجاهات، وقياس الأداء، وتحسين استراتيجيات البيع بالتجزئة.
• المراقبة المستمرة في الوقت الفعلي: جرى تحسين Ultralytics YOLO26 للاستدلال بزمن استجابة منخفض، ما يتيح التحليل المستمر لصور الرفوف واكتشاف التغييرات الآنية في مواضع المنتجات على أجهزة الحافة.
• التكامل مع أنظمة البيع بالتجزئة: يمكن دمج نظام اكتشاف الالتزام بالمخطط الرفّي المدعوم بـ Ultralytics YOLO26 مع أنظمة المخزون أو نقاط البيع (POS) أو التحليلات لتوفير رؤية أكثر شمولًا لأداء المتجر.

أهم النقاط المستخلصة#

يُعد الالتزام بالمخطط الرفّي أمرًا بالغ الأهمية للحفاظ على دقة مواضع المنتجات واتساق عمليات البيع بالتجزئة. ومن خلال الجمع بين اكتشاف المنتجات ومقارنة التخطيطات، تستطيع المتاجر تقليل عمليات التدقيق اليدوية والتحقق من الرفوف بدقة أكبر. وباستخدام نماذج مثل Ultralytics YOLO26، يمكن استخدام هذه الأنظمة عبر متاجر متعددة، كما يمكنها دعم اتخاذ قرارات أفضل باستخدام البيانات على مستوى المتجر.

هل ترغب في إدخال الذكاء الاصطناعي للرؤية في مشاريعك؟ انضم إلى مجتمعنا النشط وتعرّف على الذكاء الاصطناعي للرؤية في قطاع البيع بالتجزئة والرؤية الحاسوبية في الروبوتات. واستكشف مستودعنا على GitHub لمعرفة المزيد. اطّلع على خيارات الترخيص للبدء!