استخدام Ultralytics YOLO26 لاكتشاف امتثال Planogram

دخلنا جميعاً إلى متجر لشراء شيء ما مثل الخبز أو الحبوب، وقضينا بضع دقائق في مسح الأرفف بحثاً عنه، ثم أدركنا أننا لا نستطيع العثور عليه. أحياناً يكون في المكان الخطأ، وأحياناً يكون غير متوفر في المخزون، وأحياناً أخرى يمتزج ببساطة مع كل شيء آخر على الرف.

بالنسبة لتجار التجزئة، يعد الحفاظ على المنتجات في المكان المناسب أكثر أهمية مما قد يبدو. فهو يؤثر على مدى سهولة عثور العملاء على السلع ويمكن أن يؤثر بشكل مباشر على المبيعات ورضا العملاء الإجمالي. ولإدارة ذلك، تستخدم المتاجر المخطط التخطيطي (planogram)، وهو تصميم بسيط يوضح أين يجب وضع كل منتج على الرف.

الامتثال للمخطط التخطيطي هو عملية التحقق مما إذا كان الرف الفعلي يطابق التصميم المتوقع. في العديد من المتاجر، لا يزال هذا يتم من خلال عمليات التدقيق اليدوية وقوائم المراجعة، والتي يمكن أن تستغرق وقتاً طويلاً وتفتقر إلى الاتساق.

الشكل 1. مخطط تخطيطي مقابل رف فعلي (realogram) مع نتائج اكتشاف الامتثال (المصدر)

حتى التناقضات الصغيرة مثل رموز وحدات حفظ المخزون (SKUs) في غير محلها، أو التسعير غير الصحيح، أو المنتجات غير المتوفرة يمكن أن تحدث فرقاً. رموز SKU هي رموز فريدة تُستخدم لتحديد وتتبع متغيرات المنتجات الفردية، مثل الأحجام أو النكهات المختلفة. هذه المشكلات تقلل من توفر السلع على الرفوف ويمكن أن تؤدي إلى خسارة المبيعات.

ولهذا السبب يتجه تجار التجزئة بشكل متزايد إلى الرؤية الحاسوبية والتعرف على الصور. يمكن لهذه تقنيات الذكاء الاصطناعي تحليل صور الرفوف الملتقطة بواسطة كاميرات داخل المتجر، واكتشاف المنتجات تلقائياً، والتحقق مما إذا كانت موضوعة بشكل صحيح. تجعل نماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics YOLO26 هذه العملية سريعة ودقيقة وعملية للاستخدام في بيئات المتاجر الحقيقية.

في هذه المقالة، سنستعرض كيفية بناء نظام لاكتشاف الامتثال للمخططات التخطيطية باستخدام Ultralytics YOLO26. لنبدأ!

Link to this sectionما هو الامتثال للمخطط التخطيطي؟#

يساعد الامتثال للمخطط التخطيطي في الحفاظ على اتساق تصميمات المتاجر، ويدعم دقة التسعير والعروض الترويجية، ويحسن إدارة المخزون، ويسهل على العملاء العثور على المنتجات على الرف.

يشير الامتثال إلى ترتيب المنتجات وفقاً لتصميم محدد مسبقاً أو مخطط تخطيطي. يحدد هذا التصميم مكان وضع كل منتج، وعدد الواجهات التي يجب أن يحتوي عليها (عدد المنتجات الموضوعة في مقدمة الرف والمرئية للعملاء)، والمنتجات التي يجب وضعها بجانب بعضها البعض.

يعتمد كل من تجار التجزئة والعلامات التجارية للسلع الاستهلاكية المعبأة (CPG) على المخططات التخطيطية. يستخدمها تجار التجزئة لتنظيم الأرفف والحفاظ على الاتساق عبر المتاجر، بينما تستخدمها علامات CPG لضمان عرض منتجاتها بشكل صحيح والحصول على الرؤية المناسبة.

الشكل 2. نظرة على مخطط تخطيطي يطابق تصميم رف فعلي (المصدر)

تتضمن عملية تدقيق المخططات التخطيطية مقارنة الرف الفعلي بالتصميم المتوقع. ويشمل ذلك التحقق مما إذا كانت رموز SKU الصحيحة في المواقع الصحيحة وما إذا كان يتم الحفاظ على العدد المطلوب من الواجهات.

قد تتساءل عما إذا كان وضع منتج على رف يحدث فرقاً حقاً. ولكن عندما تبدو المنتجات متشابهة، حتى أخطاء الوضع الصغيرة يمكن أن تجعل من الصعب العثور على السلع أو تسبب ارتباكاً للعملاء.

يمكن أن يؤثر هذا على دقة التسعير وقرارات العملاء. الحفاظ على الامتثال يحافظ على تنظيم الأرفف ويعزز تجربة العملاء.

Link to this sectionاستخدام الرؤية الحاسوبية للامتثال للمخططات التخطيطية#

تقليدياً، حافظت متاجر التجزئة على الامتثال للمخططات التخطيطية من خلال عمليات التدقيق اليدوية وقوائم المراجعة. يقوم موظفو المتجر بفحص تصميمات الأرفف، والتحقق من وضع المنتجات وواجهاتها، وتسجيل الملاحظات.

ومع ذلك، يمكن أن تستغرق هذه العملية وقتاً طويلاً، ويصعب توسيع نطاقها عبر متاجر متعددة، وغالباً ما تؤدي إلى تناقضات في كيفية إجراء عمليات التحقق. تتبنى صناعة التجزئة بسرعة الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يتيح للأنظمة تحليل الصور وفهمها، للتعامل بشكل أفضل مع عمليات التحقق من الامتثال هذه.

تستخدم هذه الأنظمة كاميرات لالتقاط صور الأرفف ومعالجتها باستخدام نماذج مدربة للتعرف على المنتجات الفردية. تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 مهام الرؤية مثل اكتشاف الأشياء وتجزئة النسخ، مما يجعل من الممكن تحديد مكان المنتجات على أرفف التجزئة بدقة.

الشكل 3. مثال على استخدام YOLO26 لاكتشاف وتجزئة المنتجات على رف التجزئة (المصدر)

يعد استخدام YOLO26 لحالة الاستخدام هذه أمراً مباشراً أيضاً، نظراً لأنه متاح بشكل جاهز كنموذج مدرب مسبقاً، مما يوفر نقطة انطلاق قوية، ويمكن تدريبه بشكل مخصص على بيانات أرفف التجزئة للتعرف على منتجات معينة.

بناءً على عمليات الاكتشاف هذه، يمكن لنظام اكتشاف الامتثال للمخطط التخطيطي تعيين مواقع المنتجات على الرف ومقارنتها بالتصميمات المتوقعة. باستخدام هذا النهج، يمكن لتجار التجزئة تجاوز عمليات التحقق اليدوية ومراقبة الأرفف باستمرار على مستوى المتجر.

يمكنهم اكتشاف المنتجات على مستوى SKU، وتحديد أخطاء الوضع، وتحسين توفر السلع على الرف والتنفيذ العام.

Link to this sectionفهم كيفية عمل اكتشاف الامتثال للمخططات التخطيطية المدعوم بالذكاء الاصطناعي#

قبل الغوص في كيفية استخدام YOLO26 لاكتشاف الامتثال للمخطط التخطيطي، دعنا نأخذ خطوة إلى الوراء ونفهم كيف تجتمع عملية اكتشاف المنتج ومقارنة التصميم معاً في هذه الأنظمة.

يعمل نظام الامتثال للمخطط التخطيطي عادةً في مرحلتين رئيسيتين. أولاً، يقوم نموذج مثل Ultralytics YOLO26 بتحليل صور الرفوف لاكتشاف المنتجات وتصنيفها. جنباً إلى جنب مع كل عملية اكتشاف، يوفر النموذج معلومات الموقع التي توضح مكان ظهور كل منتج على الرف.

بعد ذلك، يتم تنظيم عمليات الاكتشاف هذه في تصميم رف منظم. يتم تجميع المنتجات بناءً على مواقعها، عادةً في صفوف رفوف، لتعكس كيفية ترتيب العناصر في العالم الحقيقي.

الشكل 4. يمكن لـ YOLO26 تمكين الامتثال للمخطط التخطيطي. (المصدر)

تتم بعد ذلك مقارنة هذا التصميم المنظم بالمخطط التخطيطي المتوقع. يتحقق النظام مما إذا كانت رموز SKU الصحيحة في المواقع الصحيحة، وما إذا كان يتم الحفاظ على العدد المطلوب من الواجهات، وما إذا كان هناك أي منتجات مفقودة أو في غير محلها.

من خلال الجمع بين اكتشاف المنتج ومقارنة التصميم، يمكن للنظام تحديد الاختلافات بين ترتيب الرف المتوقع والفعلي. يمكن تقديم النتائج كتقارير امتثال أو لوحات معلومات تسلط الضوء على المشكلات على مستوى المتجر.

وهذا يجعل من السهل على فرق المتجر فهم الخطأ بسرعة، واتخاذ إجراءات تصحيحية، والحفاظ على تنفيذ متسق للبيع بالتجزئة.

Link to this sectionإعداد مجموعة بيانات لبناء نظام للامتثال للمخططات التخطيطية#

الخطوة الأولى في بناء نظام للامتثال للمخططات التخطيطية هي إعداد مجموعة بيانات منظمة بشكل جيد. يتضمن ذلك جمع صور الأرفف من بيئات تجزئة مختلفة. تؤثر جودة وتنوع هذه البيانات بشكل مباشر على مدى أداء النموذج.

يمكن أيضاً استخدام مجموعات البيانات العامة كنقطة انطلاق. ومع ذلك، نظراً لأن تصميمات المتاجر وتشكيلات المنتجات وترتيبات الأرفف تختلف باختلاف تجار التجزئة، فإنها غالباً لا تتطابق تماماً مع ظروف العالم الحقيقي.

غالباً ما يكون إنشاء مجموعة بيانات مخصصة مصممة خصيصاً لبيئة المتجر المستهدفة ضرورياً للحصول على أداء موثوق. يمكن جمع البيانات باستخدام صور الأرفف الملتقطة بواسطة كاميرات داخل المتجر أو الأجهزة المحمولة عبر مواقع تجزئة مختلفة.

بالإضافة إلى بيانات العالم الحقيقي، يمكن استخدام إعدادات الأرفف المحاكاة لإنشاء سيناريوهات خاضعة للتحكم. الجمع بين الاثنين يمكن النموذج من الأداء بشكل أكثر موثوقية عبر بيئات المتاجر المختلفة.

من الضروري أيضاً التقاط ظروف المتاجر الحقيقية المختلفة، مثل التغيرات في التصميمات، وترتيبات الأرفف، ووضع المنتجات، والإضاءة، وزوايا الكاميرا، وتنظيم الأرفف. من خلال جمع بيانات متنوعة وواقعية، يمكن للنموذج أن يتعلم التعميم عبر المتاجر ودعم اكتشاف الامتثال للمخطط التخطيطي بدقة على نطاق واسع.

Link to this sectionنظرة عامة على تصنيف مجموعة بيانات التجزئة#

بمجرد جمع البيانات، تكون الخطوة التالية هي التوسيم (Annotation). يتم تصنيف كل منتج في الصورة عن طريق رسم مربعات إحاطة (bounding boxes) حوله حتى يتمكن النموذج من تعلم التعرف على رموز SKU المختلفة.

أثناء التوسيم، من المهم تحديد فئات واضحة. يمكن القيام بذلك على مستويات مختلفة من التفاصيل، اعتماداً على المخطط التخطيطي.

على مستوى SKU، يتم تصنيف كل متغير منتج، مثل علامة تجارية أو حجم أو نكهة معينة، بشكل منفصل. على مستوى الفئة، يمكن تجميع المنتجات المتشابهة معاً، مثل جميع المشروبات الغازية أو جميع الوجبات الخفيفة.

أدوات مثل منصة Ultralytics، وهي بيئة متكاملة لإدارة مجموعات البيانات، والتوسيم، والتدريب، والنشر، يمكن أن تبسط هذه العملية. وهي تدعم كلاً من التوسيم اليدوي والتوسيم بمساعدة الذكاء الاصطناعي، حيث يمكن للنماذج اقتراح توسيمات يمكن مراجعتها وتحسينها، مما يساعد في تحسين السرعة والاتساق.

Link to this sectionتدريب Ultralytics YOLO26 لاكتشاف المنتجات#

بمجرد إعداد مجموعة البيانات وتوسيمها، تكون الخطوة التالية هي تدريب YOLO26 لاكتشاف المنتجات على أرفف التجزئة. يمكن القيام بذلك باستخدام حزمة Ultralytics Python أو منصة Ultralytics.

توفر حزمة Ultralytics Python مرونة لبناء خطوط أنابيب مخصصة ودمج التدريب في سير العمل الحالي. وبالمثل، توفر منصة Ultralytics بيئة موحدة حيث يمكنك التعامل مع التوسيم، وإدارة مجموعات البيانات، وتكوين التدريب، وتشغيل التجارب، ومراقبة النتائج من لوحة معلومات واحدة.

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

قبل بدء التدريب، إليك بعض العوامل الرئيسية الأخرى التي يجب مراعاتها:

• تقسيم مجموعة البيانات: يجب تقسيم مجموعة البيانات إلى مجموعات تدريب، وتحقق، واختبار. يساعد هذا في تقييم مدى تعميم النموذج على البيانات الجديدة وتجنب الإفراط في التخصيص (overfitting).
• اختيار النموذج: تأتي نماذج YOLO26 بأحجام مختلفة، مما يتيح لك موازنة السرعة والدقة بناءً على احتياجات النشر الخاصة بك.
• تكوين التدريب: يمكن أن تؤثر المعلمات مثل حجم الدفعة (batch size)، وحجم الصورة، وعدد الحقبات (epochs) على سرعة التدريب وأداء النموذج.

بعد اكتمال التدريب، يمكن تقييم النموذج باستخدام مقاييس مثل الدقة (precision)، والاستدعاء (recall)، و mAP (متوسط دقة متوسط). تتيح لك هذه المقاييس قياس مدى دقة اكتشاف النموذج للمنتجات ومدى تجنبه للأخطاء.

إذا لم يكن أداء النموذج قوياً بما يكفي، يمكن تحسين مجموعة البيانات وإعداد التدريب. قد يشمل ذلك تطبيق زيادة البيانات (data augmentation)، أو إضافة صور أكثر تنوعاً، أو موازنة الفئات التي تظهر فيها بعض رموز SKU بشكل أقل تكراراً.

Link to this sectionدمج منطق الامتثال للمخطط التخطيطي#

الخطوة التالية بعد تدريب النموذج وتقييمه هي بناء المنطق الذي ينفذ عمليات التحقق من الامتثال للمخطط التخطيطي. يتضمن ذلك هيكلة بيانات الرف ومقارنتها بالتصميم المتوقع.

إليك نظرة عامة على كيفية عمل هذه العملية:

• تحديد تصميم الرف المتوقع: أولاً، يتم تحديد تصميم الرف المتوقع باستخدام المخطط التخطيطي وتمثيله كشبكة منظمة تحتوي على صفوف وأعمدة. يتوافق كل موقع في الشبكة مع رمز SKU معين، مما يعكس كيفية ترتيب المنتجات على مساحة الرف.
• تنظيم المنتجات المكتشفة: بعد ذلك، يتم ترتيب عمليات اكتشاف النموذج بناءً على موقعها على الرف. باستخدام إحداثياتها، يتم فرز المنتجات وتجميعها في صفوف رفوف، مما يحول الاكتشافات الخام إلى تصميم منظم يعكس ترتيب الرف الفعلي.
• مقارنة التصميمات المتوقعة والفعلية: بعد ذلك، تتم مقارنة تصميم الرف المنظم بالمخطط التخطيطي المتوقع لتحديد الاختلافات. إذا لم يتطابق منتج مكتشف مع رمز SKU المتوقع، فسيتم تمييزه على أنه في غير محله. إذا كان هناك منتج مفقود من موقع ما، فسيتم الإبلاغ عنه على أنه مفقود. يمكن أيضاً استخدام هذه الخطوة للتحقق مما إذا كان يتم الحفاظ على العدد المطلوب من الواجهات.
• إنشاء نتائج الامتثال: أخيراً، يمكن إنتاج تقرير امتثال لكل رف، مع تسليط الضوء على عدم الامتثال والانحرافات والتناقضات. يمكن مشاركة هذه المخرجات من خلال لوحات المعلومات لمساعدة الفرق في تحديد المشكلات ومعالجتها بسرعة.

Link to this sectionنشر نموذج رؤية للامتثال للمخططات التخطيطية#

بعد بناء حل يدمج اكتشاف المنتج ومنطق الامتثال، تكون الخطوة التالية هي نشره في بيئة متجر التجزئة. هناك خيارات مختلفة يجب مراعاتها عند التعامل مع النشر، اعتماداً على حالة الاستخدام والبنية التحتية.

أحد الخيارات هو نشر النموذج على أجهزة الحافة (edge devices)، مثل خوادم المتجر أو الأجهزة المدمجة. يتم وضع هذه الأنظمة بالقرب من الكاميرات بحيث يمكن معالجة صور الرفوف حيث يتم التقاطها، مما يتيح زمن وصول منخفض ومراقبة في الوقت الفعلي.

خيار آخر هو النشر القائم على السحابة، حيث يتم إرسال الصور إلى خوادم بعيدة للمعالجة. يمكن أن يجعل هذا من الأسهل إدارة وتوسيع نطاق عمليات النشر عبر مواقع متعددة، خاصة عندما تكون المراقبة المركزية مطلوبة.

داخل نظام Ultralytics البيئي، هناك العديد من الخيارات التي تدعم سيناريوهات النشر المختلفة هذه. على سبيل المثال، باستخدام حزمة Ultralytics Python، يمكن تصدير نماذج YOLO26 المدربة إلى تنسيقات مختلفة مثل ONNX أو TensorRT أو CoreML.

هذا يجعل من الممكن تشغيل النماذج على مجموعة واسعة من الأجهزة، بما في ذلك وحدات معالجة الرسومات (GPUs)، ووحدات المعالجة المركزية (CPUs)، والأجهزة المحمولة، والأنظمة المدمجة، اعتماداً على احتياجات النشر.

في الوقت نفسه، توفر منصة Ultralytics خيارات نشر مدمجة تبسط الاختبار والتكامل ونشر الإنتاج. يمكن اختبار النماذج مباشرة في المتصفح، أو دمجها في التطبيقات باستخدام واجهات برمجة تطبيقات الاستدلال المشتركة، أو نشرها في نقاط نهاية مخصصة لاستخدام الإنتاج القابل للتوسع.

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

Link to this sectionفوائد استخدام رؤية الذكاء الاصطناعي لاكتشاف الامتثال للمخططات التخطيطية#

إليك بعض المزايا الرئيسية لاستخدام YOLO26 لبناء نظام امتثال للمخططات التخطيطية:

• قابلة للتكيف مع بيئات التجزئة المختلفة: يمكن إعادة تدريب YOLO26 أو ضبطها على بيانات جديدة، مما يجعلها قابلة للتكيف مع تصميمات المتاجر المختلفة، وتشكيلات المنتجات، والاختلافات الإقليمية.
• تحسين اتخاذ القرار القائم على البيانات: يمكن تجميع بيانات الامتثال عبر المتاجر لتحديد الاتجاهات، وقياس الأداء، وتحسين استراتيجيات التجزئة.
• المراقبة المستمرة في الوقت الفعلي: تم تحسين YOLO26 للاستدلال بزمن وصول منخفض، مما يتيح التحليل المستمر لصور الرفوف والاكتشاف في الوقت الفعلي لتغييرات وضع المنتج على أجهزة الحافة.
• التكامل مع أنظمة التجزئة: يمكن دمج نظام اكتشاف الامتثال للمخطط التخطيطي المدعوم بـ YOLO26 مع أنظمة المخزون، أو نقاط البيع (POS)، أو التحليلات لتوفير رؤية أكثر اكتمالاً لأداء المتجر.

Link to this sectionأبرز النقاط#

يعد الامتثال للمخطط التخطيطي أمراً حيوياً للحفاظ على دقة وضع المنتج وعمليات التجزئة المتسقة. من خلال الجمع بين اكتشاف المنتج ومقارنة التصميم، يمكن للمتاجر تقليل عمليات التدقيق اليدوية وفحص الأرفف بدقة أكبر. مع نماذج مثل YOLO26، يمكن استخدام هذه الأنظمة عبر متاجر متعددة ويمكنها أيضاً دعم اتخاذ قرارات أفضل باستخدام البيانات على مستوى المتجر.

هل ترغب في جلب رؤية الذكاء الاصطناعي إلى مشاريعك؟ انضم إلى مجتمعنا النشط وتعرف على رؤية الذكاء الاصطناعي في التجزئة والرؤية الحاسوبية في الروبوتات. استكشف مستودع GitHub الخاص بنا لمعرفة المزيد. تحقق من خيارات الترخيص الخاصة بنا للبدء!