استخدام Ultralytics YOLO26 لاكتشاف مدى مطابقة مخطط ترتيب المنتجات

لا بد أننا دخلنا جميعًا متجرًا لشراء شيء مثل الخبز أو حبوب الإفطار، وقضينا بضع دقائق في تفحّص الرفوف، ثم أدركنا أننا لا نستطيع العثور عليه. فقد يكون أحيانًا في مكان غير صحيح، أو غير متوفر في المخزون، أو يندمج ببساطة مع بقية المنتجات على الرف.

بالنسبة إلى تجار التجزئة، يُعد وضع المنتجات في أماكنها الصحيحة أهم مما قد يبدو. فهو يؤثر في مدى سهولة عثور العملاء على المنتجات، ويمكن أن يؤثر مباشرةً في المبيعات ورضا العملاء عمومًا. ولإدارة ذلك، تستخدم المتاجر مخططًا للرفوف، وهو تخطيط بسيط يوضح مكان وضع كل منتج على الرف.

التحقق من الالتزام بمخطط الرفوف هو عملية التحقق من مطابقة الرف الفعلي للتخطيط المتوقع. ولا تزال هذه العملية في كثير من المتاجر تُجرى عبر عمليات تدقيق وقوائم تحقق يدوية، ما قد يستغرق وقتًا طويلًا ويؤدي إلى نتائج غير متسقة.

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

حتى الاختلافات البسيطة، مثل وضع وحدات حفظ المخزون (SKU) في غير أماكنها، أو التسعير غير الصحيح، أو نفاد المنتجات، قد تُحدث فرقًا. ووحدات حفظ المخزون هي رموز فريدة تُستخدم لتحديد أنواع المنتجات الفردية ومتابعتها، مثل اختلاف الأحجام أو النكهات. وتقلل هذه المشكلات من توافر المنتجات على الرفوف وقد تؤدي إلى خسارة المبيعات.

لهذا السبب، يتجه تجار التجزئة على نحو متزايد إلى الرؤية الحاسوبية والتعرّف على الصور. تستطيع تقنيات الذكاء الاصطناعي هذه تحليل صور الرفوف الملتقطة بكاميرات المتاجر، واكتشاف المنتجات تلقائيًا، والتحقق من وضعها على نحو صحيح. وتجعل نماذج الرؤية بالذكاء الاصطناعي، مثل Ultralytics YOLO26، هذه العملية سريعة ودقيقة وقابلة للتطبيق عمليًا في بيئات المتاجر الحقيقية.

سنشرح في هذه المقالة كيفية بناء نظام لاكتشاف الالتزام بمخطط الرفوف باستخدام Ultralytics YOLO26. لنبدأ!

ما المقصود بالالتزام بمخطط الرفوف؟#

يساعد الالتزام بمخطط الرفوف على الحفاظ على اتساق تخطيطات المتاجر، ودعم دقة الأسعار والعروض الترويجية، وتحسين إدارة المخزون، وتسهيل عثور العملاء على المنتجات على الرفوف.

يشير ذلك إلى ترتيب المنتجات وفق تخطيط محدد مسبقًا أو مخطط للرفوف. ويحدد هذا التخطيط مكان وضع كل منتج، وعدد واجهاته (عدد المنتجات الموضوعة في مقدمة الرف والمرئية للعملاء)، والمنتجات التي ينبغي وضعها بجوار بعضها بعضًا.

يعتمد كل من تجار التجزئة وعلامات السلع الاستهلاكية المعبأة (CPG) على مخططات الرفوف. ويستخدمها تجار التجزئة لتنظيم الرفوف والحفاظ على الاتساق بين المتاجر، بينما تستخدمها علامات السلع الاستهلاكية المعبأة لضمان عرض منتجاتها بصورة صحيحة وحصولها على الظهور المناسب.

الشكل 2. نظرة على مطابقة مخطط الرفوف مع التخطيط الفعلي للرف (المصدر)

تتضمن عملية تدقيق مخططات الرفوف مقارنة الرف الفعلي بالتخطيط المتوقع. ويشمل ذلك التحقق من وجود وحدات حفظ المخزون الصحيحة في المواضع المناسبة، والحفاظ على عدد الواجهات المطلوب.

قد تتساءل عما إذا كان موضع المنتج على الرف يُحدث فرقًا حقًا. لكن عندما تبدو المنتجات متشابهة، قد تجعل أخطاء الترتيب البسيطة العثور عليها أصعب أو تربك العملاء.

قد يؤثر ذلك في دقة الأسعار وقرارات العملاء. ويساعد الالتزام بالمخطط على إبقاء الرفوف منظمة وتحسين تجربة العملاء.

استخدام الرؤية الحاسوبية للتحقق من الالتزام بمخطط عرض المنتجات#

تقليديًا، حافظت متاجر البيع بالتجزئة على الالتزام بمخططات عرض المنتجات من خلال عمليات التدقيق اليدوية وقوائم التحقق. ويفحص موظفو المتاجر ترتيبات الأرفف، ويتحققون من مواضع المنتجات وعدد واجهات عرضها، ويسجلون ملاحظاتهم.

لكن هذه العملية قد تستغرق وقتًا طويلًا، ويصعب توسيع نطاقها لتشمل متاجر متعددة، وغالبًا ما تؤدي إلى اختلافات في طريقة إجراء عمليات التحقق. وسرعان ما يتبنى قطاع البيع بالتجزئة الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يمكّن الأنظمة من تحليل الصور وفهمها، للتعامل مع عمليات التحقق من الالتزام على نحو أفضل.

تستخدم هذه الأنظمة الكاميرات لالتقاط صور الأرفف، ثم تعالجها باستخدام نماذج مدرّبة للتعرف على المنتجات الفردية. وتدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 مهام الرؤية، مثل اكتشاف الأجسام وتجزئة الكائنات، ما يتيح تحديد المنتجات على أرفف المتاجر وتحديد مواقعها بدقة.

الشكل 3. مثال على استخدام YOLO26 لاكتشاف المنتجات على أحد أرفف المتاجر وتجزئتها (المصدر)

ويُعد استخدام Ultralytics YOLO26 لهذه الحالة سهلًا أيضًا، إذ يتوفر مباشرةً كنموذج مدرّب مسبقًا، ما يوفر نقطة انطلاق قوية، ويمكن تدريبه تدريبًا مخصصًا على بيانات أرفف المتاجر للتعرف على منتجات محددة.

استنادًا إلى عمليات الاكتشاف هذه، يستطيع نظام اكتشاف الالتزام بمخطط عرض المنتجات تحديد مواضع المنتجات على الرف ومقارنتها بالترتيبات المتوقعة. ويتيح هذا النهج لتجار التجزئة تجاوز عمليات التحقق اليدوية ومراقبة الأرفف باستمرار على مستوى المتجر.

ويمكنهم اكتشاف المنتجات على مستوى SKU، وتحديد أخطاء الترتيب، وتحسين توافر المنتجات على الأرفف وجودة التنفيذ الإجمالية.

فهم آلية عمل اكتشاف الالتزام بمخطط عرض المنتجات المدعوم بالذكاء الاصطناعي#

قبل أن نتعمق في كيفية استخدام Ultralytics YOLO26 لاكتشاف الالتزام بمخطط عرض المنتجات، دعونا نتوقف قليلًا لفهم كيفية تكامل اكتشاف المنتجات ومقارنة الترتيبات في هذه الأنظمة.

يعمل نظام الالتزام بمخطط عرض المنتجات عادةً على مرحلتين أساسيتين. أولًا، يحلل نموذج مثل Ultralytics YOLO26 صور الأرفف لاكتشاف المنتجات وتصنيفها. ومع كل عملية اكتشاف، يقدم النموذج معلومات عن الموقع توضح مكان ظهور كل منتج على الرف.

بعد ذلك، تُنظم عمليات الاكتشاف هذه في ترتيب منظم للأرفف. وتُجمع المنتجات وفقًا لمواضعها، عادةً في صفوف الأرفف، لتعكس طريقة ترتيب المنتجات في الواقع.

الشكل 4. يمكن لـ Ultralytics YOLO26 تمكين الالتزام بمخطط عرض المنتجات. (المصدر)

ثم يُقارن هذا الترتيب المنظم بمخطط العرض المتوقع. ويتحقق النظام مما إذا كانت وحدات SKU الصحيحة في المواضع المناسبة، وما إذا كان العدد المطلوب لواجهات العرض محفوظًا، وما إذا كانت هناك منتجات مفقودة أو موضوعة في غير مكانها.

بدمج اكتشاف المنتجات مع مقارنة الترتيبات، يستطيع النظام تحديد الاختلافات بين ترتيب الأرفف المتوقع والفعلي. ويمكن عرض النتائج في تقارير الالتزام أو لوحات المعلومات التي تبرز المشكلات على مستوى المتجر.

وهذا يسهّل على فرق المتاجر فهم المشكلات بسرعة، واتخاذ إجراءات تصحيحية، والحفاظ على اتساق تنفيذ عمليات البيع بالتجزئة.

إعداد مجموعة بيانات لبناء نظام للالتزام بمخطط عرض المنتجات#

تتمثل الخطوة الأولى لبناء نظام للالتزام بمخطط عرض المنتجات في إعداد مجموعة بيانات جيدة التنظيم. ويتضمن ذلك جمع صور للأرفف من بيئات بيع بالتجزئة مختلفة. وتؤثر جودة هذه البيانات وتنوعها مباشرةً في أداء النموذج.

يمكن أيضًا استخدام مجموعات البيانات العامة كنقطة انطلاق. لكن بما أن ترتيبات المتاجر ومجموعات المنتجات وتنسيقات الأرفف تختلف بين تجار التجزئة، فإن هذه المجموعات لا تطابق غالبًا ظروف الواقع بالكامل.

عادةً ما يكون إنشاء مجموعة بيانات مخصصة ومصممة لتناسب بيئة المتجر المستهدف ضروريًا لتحقيق أداء موثوق. ويمكن جمع البيانات باستخدام صور للأرفف تلتقطها كاميرات المتاجر أو الأجهزة المحمولة في مواقع بيع بالتجزئة مختلفة.

إلى جانب بيانات العالم الحقيقي، يمكن استخدام ترتيبات أرفف محاكاة لإنشاء سيناريوهات مضبوطة. ويساعد الجمع بين النوعين النموذج على تحقيق أداء أكثر موثوقية في بيئات المتاجر المختلفة.

ومن الضروري أيضًا التقاط ظروف المتاجر الفعلية المختلفة، مثل التغييرات في التخطيطات، وترتيبات الأرفف، ومواضع المنتجات، والإضاءة، وزوايا الكاميرا، وتنظيم الأرفف. ومن خلال جمع بيانات متنوعة وواقعية، يستطيع النموذج تعميم ما تعلمه على متاجر مختلفة ودعم اكتشاف الالتزام بمخطط عرض المنتجات بدقة وعلى نطاق واسع.

لمحة عن وسم مجموعة بيانات للبيع بالتجزئة#

بعد جمع البيانات، تأتي خطوة التعليق التوضيحي. ويُوسم كل منتج في الصورة برسم مربعات إحاطة حوله، حتى يتعلم النموذج التعرف على وحدات SKU المختلفة.

أثناء الوسم، من المهم تحديد فئات واضحة. ويمكن القيام بذلك بمستويات مختلفة من التفصيل، بحسب مخطط عرض المنتجات.

على مستوى SKU، يُوسم كل نوع من المنتجات على حدة، مثل علامة تجارية أو حجم أو نكهة محددة. أما على مستوى الفئة، فيمكن تجميع المنتجات المتشابهة معًا، مثل جميع المشروبات الغازية أو جميع الوجبات الخفيفة.

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

تدريب Ultralytics YOLO26 لاكتشاف المنتجات#

بعد إعداد مجموعة البيانات ووسمها، تتمثل الخطوة التالية في تدريب YOLO26 على اكتشاف المنتجات على أرفف المتاجر. ويمكن تنفيذ ذلك باستخدام حزمة Python من Ultralytics أو منصة Ultralytics.

توفر حزمة Python من Ultralytics مرونة في بناء مسارات عمل مخصصة ودمج التدريب في سير العمل الحالي. وبالمثل، توفر منصة Ultralytics بيئة موحدة يمكنك من خلالها إجراء التعليق التوضيحي، 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 الحسبان:

• تقسيم مجموعة البيانات: ينبغي تقسيم مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار. ويساعد ذلك على تقييم مدى تعميم النموذج على البيانات الجديدة وتجنب فرط التخصيص.
• اختيار النموذج: تتوفر نماذج Ultralytics YOLO26 بأحجام مختلفة، ما يتيح لك تحقيق التوازن بين السرعة والدقة وفقًا لمتطلبات النشر.
• تهيئة التدريب: يمكن لمعاملات مثل حجم الدفعة وحجم الصورة وعدد الحقب أن تؤثر في سرعة التدريب وأداء النموذج.

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 وإعدادات التدريب. وقد يشمل ذلك تطبيق زيادة البيانات، أو إضافة صور أكثر تنوعًا، أو موازنة الفئات التي تظهر فيها بعض وحدات SKU بوتيرة أقل.

دمج منطق الالتزام بمخطط عرض المنتجات#

تتمثل الخطوة التالية بعد تدريب النموذج وتقييمه في بناء المنطق الذي ينفذ عمليات التحقق من الالتزام بمخطط عرض المنتجات. ويتضمن ذلك تنظيم بيانات الأرفف ومقارنتها بالترتيب المتوقع.

إليك لمحة عن آلية عمل هذه العملية:

• تحديد ترتيب الرف المتوقع: أولًا، يُحدد ترتيب الرف المتوقع باستخدام مخطط العرض، ويُمثّل على هيئة شبكة منظمة من صفوف وأعمدة. ويتوافق كل موضع في الشبكة مع وحدة SKU محددة، بما يعكس الطريقة التي ينبغي بها ترتيب المنتجات في مساحة الرف.
• تنظيم المنتجات المكتشفة: بعد ذلك، تُرتب عمليات اكتشاف النموذج وفقًا لمواضعها على الرف. وباستخدام الإحداثيات، تُفرز المنتجات وتُجمع في صفوف الأرفف، لتحويل عمليات الاكتشاف الأولية إلى ترتيب منظم يعكس الترتيب الفعلي للرف.
• مقارنة الترتيب المتوقع بالفعلي: بعد ذلك، يُقارن ترتيب الرف المنظم بمخطط العرض المتوقع لتحديد الاختلافات. فإذا لم يتطابق منتج مكتشف مع وحدة SKU المتوقعة، يُعلَّم على أنه موضوع في غير مكانه. وإذا كان منتج مفقودًا من موضع ما، فيُشار إلى أنه مفقود. ويمكن أيضًا استخدام هذه الخطوة للتحقق من الحفاظ على العدد المطلوب لواجهات العرض.
• إنشاء نتائج الالتزام: أخيرًا، يمكن إعداد تقرير التزام لكل رف، يسلط الضوء على حالات عدم الالتزام والانحرافات والتباينات. ويمكن مشاركة هذه النتائج عبر لوحات المعلومات لمساعدة الفرق على تحديد المشكلات ومعالجتها بسرعة.

نشر نموذج رؤية للتحقق من الالتزام بمخطط عرض المنتجات#

بعد بناء حل يدمج اكتشاف المنتجات ومنطق التحقق من الالتزام، تتمثل الخطوة التالية في نشره في بيئة متجر للبيع بالتجزئة. وهناك عدة خيارات ينبغي أخذها في الحسبان عند التخطيط للنشر، بحسب حالة الاستخدام والبنية التحتية.

أحد الخيارات هو نشر النموذج على أجهزة الحافة، مثل الخوادم الموجودة داخل المتجر أو الأجهزة المضمنة. وتوضع هذه الأنظمة بالقرب من الكاميرات، بحيث يمكن معالجة صور الأرفف في موقع التقاطها، ما يتيح زمن استجابة منخفضًا ومراقبة آنية.

وثمة خيار آخر هو النشر السحابي، 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.

يوفر نظام Ultralytics البيئي عدة خيارات تدعم سيناريوهات النشر المختلفة هذه. فعلى سبيل المثال، باستخدام حزمة Python من Ultralytics، يمكن تصدير نماذج YOLO26 المدرّبة إلى تنسيقات مختلفة مثل ONNX وTensorRT وCoreML.

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

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

كما تدعم تصدير النماذج لتشغيلها على أنظمة خارجية أو أجهزة الحافة، ما يسهل الانتقال من التطوير إلى النشر في العالم الحقيقي. وإضافة إلى ذلك، تتضمن المنصة أدوات مراقبة تساعد على تتبع الأداء بعد النشر وضمان موثوقية التشغيل بمرور الوقت.

فوائد استخدام ذكاء الرؤية الاصطناعي لاكتشاف الالتزام بمخطط عرض المنتجات#

إليك بعض المزايا الرئيسية لاستخدام Ultralytics YOLO26 لبناء نظام للالتزام بمخطط عرض المنتجات:

• قابل للتكيف مع بيئات البيع بالتجزئة المختلفة: يمكن إعادة تدريب Ultralytics YOLO26 أو ضبطه بدقة على بيانات جديدة، ما يجعله قابلًا للتكيف مع ترتيبات المتاجر ومجموعات المنتجات والاختلافات الإقليمية المختلفة.
• تحسين اتخاذ القرارات المستندة إلى البيانات: يمكن تجميع بيانات الالتزام عبر المتاجر لتحديد الاتجاهات وقياس الأداء وتحسين استراتيجيات البيع بالتجزئة.
• المراقبة المستمرة آنية: جرى تحسين Ultralytics YOLO26 للاستدلال بزمن استجابة منخفض، ما يتيح تحليل صور الأرفف باستمرار واكتشاف التغييرات في مواضع المنتجات على أجهزة الحافة في الوقت الفعلي.
• التكامل مع أنظمة البيع بالتجزئة: يمكن دمج نظام اكتشاف الالتزام بمخطط عرض المنتجات المدعوم بـ Ultralytics YOLO26 مع أنظمة المخزون أو نقاط البيع (POS) أو التحليلات، لتوفير رؤية أشمل لأداء المتجر.

أبرز النقاط#

يُعد الالتزام بمخطط عرض المنتجات ضروريًا للحفاظ على دقة مواضع المنتجات واتساق عمليات البيع بالتجزئة. ومن خلال الجمع بين اكتشاف المنتجات ومقارنة الترتيبات، تستطيع المتاجر تقليل عمليات التدقيق اليدوية والتحقق من الأرفف بدقة أكبر. وباستخدام نماذج مثل Ultralytics YOLO26، يمكن استخدام هذه الأنظمة في متاجر متعددة، كما يمكنها دعم اتخاذ قرارات أفضل بالاستناد إلى البيانات على مستوى المتجر.

هل ترغب في إدخال ذكاء الرؤية الاصطناعي إلى مشاريعك؟ انضم إلى مجتمعنا النشط وتعرّف على ذكاء الرؤية الاصطناعي في قطاع البيع بالتجزئة والرؤية الحاسوبية في الروبوتات. استكشف مستودع GitHub لمعرفة المزيد. اطّلع على خيارات الترخيص للبدء!