Verwendung von Ultralytics YOLO26 zur Planogramm-Compliance-Erkennung

Wir alle sind schon einmal in ein Geschäft gegangen, um etwas wie Brot oder Müsli zu kaufen, haben ein paar Minuten lang die Regale abgesucht und dann festgestellt, dass wir es nicht finden können. Manchmal steht es an der falschen Stelle, manchmal ist es nicht vorrätig und manchmal fügt es sich einfach perfekt in alles andere im Regal ein.

Für Einzelhändler ist es wichtiger, als es scheint, Produkte an der richtigen Stelle zu halten. Dies beeinflusst, wie leicht Kunden Artikel finden können, und kann sich direkt auf den Umsatz und die allgemeine Kundenzufriedenheit auswirken. Um dies zu verwalten, nutzen Geschäfte ein Planogramm, ein einfaches Layout, das zeigt, wo jedes Produkt in einem Regal platziert werden sollte.

Planogramm-Compliance ist der Prozess, bei dem überprüft wird, ob das tatsächliche Regal mit dem erwarteten Layout übereinstimmt. In vielen Geschäften erfolgt dies immer noch durch manuelle Audits und Checklisten, was zeitaufwendig und inkonsistent sein kann.

Abb. 1. Ein Planogramm im Vergleich zu einem tatsächlichen Regal (Realogram) mit Ergebnissen der Compliance-Erkennung (Quelle)

Sogar kleine Unstimmigkeiten wie falsch platzierte SKUs (Stock Keeping Units), falsche Preise oder nicht vorrätige Produkte können einen Unterschied machen. SKUs sind eindeutige Codes, die zur Identifizierung und Nachverfolgung einzelner Produktvarianten verwendet werden, wie z. B. verschiedene Größen oder Geschmacksrichtungen. Diese Probleme verringern die Verfügbarkeit im Regal und können zu Umsatzeinbußen führen.

Deshalb setzen Einzelhändler zunehmend auf Computer Vision und Bilderkennung. Diese KI-Technologien können Regalbilder, die von Kameras im Geschäft aufgenommen wurden, analysieren, Produkte automatisch erkennen und überprüfen, ob sie korrekt platziert sind. Vision-KI-Modelle wie Ultralytics YOLO26 machen diesen Prozess schnell, präzise und praktikabel für den Einsatz in echten Ladenumgebungen.

In diesem Artikel gehen wir Schritt für Schritt durch, wie du ein System zur Erkennung von Planogramm-Compliance mit Ultralytics YOLO26 aufbaust. Lass uns anfangen!

Link to this sectionWas ist Planogramm-Compliance?#

Planogramm-Compliance hilft dabei, Ladenlayouts konsistent zu halten, unterstützt genaue Preisgestaltung und Werbeaktionen, verbessert das Bestandsmanagement und macht es Kunden einfacher, Produkte im Regal zu finden.

Es bezieht sich auf die Anordnung von Produkten gemäß einem vordefinierten Layout oder einem Planogramm. Dieses Layout legt fest, wo jedes Produkt platziert werden sollte, wie viele Facings es haben sollte (die Anzahl der Produkte, die vorne im Regal platziert und für Kunden sichtbar sind) und welche Produkte nebeneinander positioniert sein sollten.

Sowohl Einzelhändler als auch Marken für verpackte Konsumgüter (CPG) verlassen sich auf Planogramme. Einzelhändler nutzen sie, um Regale zu organisieren und die Konsistenz in allen Filialen zu wahren, während CPG-Marken sie verwenden, um sicherzustellen, dass ihre Produkte korrekt präsentiert werden und die richtige Sichtbarkeit erhalten.

Abb. 2. Ein Blick auf ein Planogramm, das mit einem tatsächlichen Regallayout übereinstimmt (Quelle)

Der Prozess der Planogramm-Audits beinhaltet den Vergleich eines tatsächlichen Regals mit einem erwarteten Layout. Dies umfasst die Überprüfung, ob die richtigen SKUs an den richtigen Positionen stehen und ob die erforderliche Anzahl an Facings eingehalten wird.

Vielleicht fragst du dich, ob die Platzierung eines Produkts im Regal wirklich einen Unterschied macht. Aber wenn Produkte ähnlich aussehen, können selbst kleine Platzierungsfehler dazu führen, dass Artikel schwerer zu finden sind oder Kunden verwirrt werden.

Dies kann sich auf die Genauigkeit der Preisgestaltung und die Entscheidungen der Kunden auswirken. Die Einhaltung der Compliance hält die Regale organisiert und verbessert das Kundenerlebnis.

Link to this sectionVerwendung von Computer Vision für Planogramm-Compliance#

Traditionell haben Einzelhandelsgeschäfte die Planogramm-Compliance durch manuelle Audits und Checklisten aufrechterhalten. Mitarbeiter im Geschäft inspizieren die Regallayouts, überprüfen die Produktplatzierung und Facings und protokollieren ihre Beobachtungen.

Dieser Prozess kann jedoch zeitaufwendig sein, ist schwer auf mehrere Geschäfte zu skalieren und führt oft zu Inkonsistenzen bei der Durchführung der Kontrollen. Die Einzelhandelsbranche setzt zunehmend auf Computer Vision, ein Bereich der künstlichen Intelligenz, der es Systemen ermöglicht, Bilder zu analysieren und zu verstehen, um diese Compliance-Prüfungen besser zu bewältigen.

Diese Systeme verwenden Kameras, um Regalbilder aufzunehmen, und verarbeiten sie mithilfe trainierter Modelle, um einzelne Produkte zu erkennen. Computer-Vision-Modelle wie Ultralytics YOLO26 unterstützen Vision-Aufgaben wie Objekterkennung und Instanzsegmentierung, wodurch es möglich wird, Produkte in Verkaufsregalen präzise zu identifizieren und zu lokalisieren.

Abb. 3. Ein Beispiel für die Verwendung von YOLO26 zur Erkennung und Segmentierung von Produkten in einem Verkaufsregal (Quelle)

Die Verwendung von YOLO26 für diesen Anwendungsfall ist ebenfalls unkompliziert, da es sofort einsatzbereit als vortrainiertes Modell verfügbar ist, einen starken Ausgangspunkt bietet und auf Daten aus dem Einzelhandelsregal für die Erkennung spezifischer Produkte individuell trainiert werden kann.

Basierend auf diesen Erkennungen kann ein System zur Erkennung von Planogramm-Compliance Produktpositionen im Regal zuordnen und mit den erwarteten Layouts vergleichen. Mit diesem Ansatz können Einzelhändler über manuelle Kontrollen hinausgehen und die Regale auf Filialebene kontinuierlich überwachen.

Sie können Produkte auf SKU-Ebene erkennen, Platzierungsfehler identifizieren und die Verfügbarkeit im Regal sowie die allgemeine Umsetzung verbessern.

Link to this sectionVerständnis der Funktionsweise KI-gestützter Planogramm-Compliance-Erkennung#

Bevor wir uns damit befassen, wie man YOLO26 für die Planogramm-Compliance-Erkennung verwendet, lass uns einen Schritt zurücktreten und verstehen, wie Produkterkennung und Layout-Vergleich in diesen Systemen zusammenkommen.

Ein Planogramm-Compliance-System arbeitet normalerweise in zwei Hauptphasen. Zuerst analysiert ein Modell wie Ultralytics YOLO26 Regalbilder, um Produkte zu erkennen und zu klassifizieren. Zusammen mit jeder Erkennung liefert das Modell Standortinformationen, die zeigen, wo jedes Produkt im Regal erscheint.

Anschließend werden diese Erkennungen in ein strukturiertes Regallayout organisiert. Produkte werden basierend auf ihren Positionen gruppiert, typischerweise in Regalreihen, um widerzuspiegeln, wie Artikel in der realen Welt angeordnet sind.

Abb. 4. YOLO26 kann Planogramm-Compliance ermöglichen. (Quelle)

Dieses strukturierte Layout wird dann mit dem erwarteten Planogramm verglichen. Das System überprüft, ob die richtigen SKUs an den richtigen Positionen stehen, ob die erforderliche Anzahl an Facings eingehalten wird und ob Produkte fehlen oder falsch platziert sind.

Durch die Kombination von Produkterkennung und Layout-Vergleich kann das System Unterschiede zwischen der erwarteten und der tatsächlichen Regalanordnung identifizieren. Die Ergebnisse können als Compliance-Berichte oder Dashboards präsentiert werden, die Probleme auf Filialebene hervorheben.

Dies macht es für Filialteams nahtlos, schnell zu verstehen, was schiefgelaufen ist, Korrekturmaßnahmen zu ergreifen und eine konsistente Umsetzung im Einzelhandel aufrechtzuerhalten.

Link to this sectionVorbereitung eines Datensatzes zum Aufbau eines Planogramm-Compliance-Systems#

Der erste Schritt beim Aufbau eines Planogramm-Compliance-Systems ist die Vorbereitung eines gut strukturierten Datensatzes. Dies beinhaltet das Sammeln von Regalbildern aus verschiedenen Einzelhandelsumgebungen. Die Qualität und Vielfalt dieser Daten wirken sich direkt darauf aus, wie gut das Modell funktioniert.

Öffentliche Datensätze können ebenfalls als Ausgangspunkt verwendet werden. Da jedoch Ladenlayouts, Produktsortimente und Regalanordnungen je nach Einzelhändler variieren, entsprechen sie oft nicht vollständig den realen Bedingungen.

Die Erstellung eines benutzerdefinierten Datensatzes, der auf die Zielumgebung des Geschäfts zugeschnitten ist, ist normalerweise für eine zuverlässige Leistung erforderlich. Daten können durch Regalfotos gesammelt werden, die von Kameras im Geschäft oder mobilen Geräten an verschiedenen Einzelhandelsstandorten aufgenommen wurden.

Zusätzlich zu realen Daten können simulierte Regaleinrichtungen verwendet werden, um kontrollierte Szenarien zu erstellen. Die Kombination beider ermöglicht es einem Modell, über verschiedene Ladenumgebungen hinweg zuverlässiger zu funktionieren.

Es ist zudem entscheidend, verschiedene reale Ladenbedingungen zu erfassen, wie Änderungen in Layouts, Regalanordnungen, Produktplatzierung, Beleuchtung, Kamerawinkel und Regalorganisation. Durch das Sammeln vielfältiger und realistischer Daten kann das Modell lernen, über verschiedene Geschäfte hinweg zu verallgemeinern und eine präzise Planogramm-Compliance-Erkennung in großem Maßstab zu unterstützen.

Link to this sectionEin Überblick über die Kennzeichnung eines Einzelhandelsdatensatzes#

Sobald die Daten gesammelt sind, ist der nächste Schritt die Annotation. Jedes Produkt in einem Bild wird durch das Zeichnen von Begrenzungsrahmen um es herum markiert, damit das Modell lernt, verschiedene SKUs zu erkennen.

Während der Kennzeichnung ist es wichtig, klare Klassen zu definieren. Dies kann je nach Planogramm in unterschiedlichem Detailgrad erfolgen.

Auf SKU-Ebene wird jede Produktvariante, wie eine bestimmte Marke, Größe oder Geschmacksrichtung, separat gekennzeichnet. Auf Kategorieebene können ähnliche Produkte gruppiert werden, wie alle Softdrinks oder alle Snacks.

Tools wie die Ultralytics Platform, eine End-to-End-Umgebung zur Verwaltung von Datensätzen, Annotation, Training und Bereitstellung, können diesen Prozess vereinfachen. Sie unterstützt sowohl manuelle Annotation als auch KI-gestützte Kennzeichnung, bei der Modelle Vorschläge für Annotationen machen können, die überprüft und verfeinert werden können, was dabei hilft, die Geschwindigkeit und Konsistenz zu verbessern.

Link to this sectionTraining von Ultralytics YOLO26 zur Produkterkennung#

Sobald der Datensatz vorbereitet und gekennzeichnet ist, ist der nächste Schritt das Training von YOLO26 zur Erkennung von Produkten in Einzelhandelsregalen. Dies kann mit dem Ultralytics Python-Paket oder der Ultralytics Platform erfolgen.

Das Ultralytics Python-Paket bietet Flexibilität beim Aufbau benutzerdefinierter Pipelines und bei der Integration des Trainings in bestehende Workflows. Ebenso bietet die Ultralytics Platform eine einheitliche Umgebung, in der du Annotationen handhaben, Datensätze verwalten, Trainings konfigurieren, Experimente ausführen und Ergebnisse von einem einzigen Dashboard aus überwachen kannst.

Sie bietet auch Cloud-GPU-Optionen für skalierbares Training und unterstützt die Bereitstellung, wodurch die Notwendigkeit verringert wird, Infrastruktur einzurichten oder Abhängigkeiten zu verwalten.

Bevor du mit dem Training beginnst, sind hier einige weitere Schlüsselfaktoren zu berücksichtigen:

• Datensatzaufteilung: Der Datensatz sollte in Trainings-, Validierungs- und Testsets unterteilt werden. Dies hilft bei der Bewertung, wie gut das Modell auf neue Daten verallgemeinert, und vermeidet Overfitting.
• Modellauswahl: YOLO26-Modelle gibt es in verschiedenen Größen, sodass du Geschwindigkeit und Genauigkeit basierend auf deinen Anforderungen an die Bereitstellung ausbalancieren kannst.
• Trainingskonfiguration: Parameter wie Batch-Größe, Bildgröße und Anzahl der Epochen können sowohl die Trainingsgeschwindigkeit als auch die Modellleistung beeinflussen.

Nach Abschluss des Trainings kann das Modell mithilfe von Metriken wie Precision, Recall und mAP (Mean Average Precision) bewertet werden. Diese Metriken ermöglichen es dir zu messen, wie genau das Modell Produkte erkennt und wie gut es Fehler vermeidet.

Wenn die Leistung des Modells nicht stark genug ist, können der Datensatz und das Trainings-Setup verbessert werden. Dies kann die Anwendung von Daten-Augmentierung, das Hinzufügen vielfältigerer Bilder oder den Ausgleich von Klassen umfassen, bei denen einige SKUs seltener vorkommen.

Link to this sectionIntegration der Planogramm-Compliance-Logik#

Der nächste Schritt nach dem Training und der Bewertung eines Modells ist der Aufbau der Logik, die die Planogramm-Compliance-Prüfungen durchführt. Dies beinhaltet die Strukturierung der Regaldaten und den Vergleich mit dem erwarteten Layout.

Hier ist ein Überblick darüber, wie dieser Prozess funktioniert:

• Definiere das erwartete Regallayout: Zuerst wird das erwartete Regallayout anhand des Planogramms definiert und als strukturiertes Raster mit Zeilen und Spalten dargestellt. Jede Position im Raster entspricht einer bestimmten SKU und spiegelt wider, wie Produkte im Regalbereich angeordnet sein sollten.
• Organisiere erkannte Produkte: Dann werden die Erkennungen des Modells basierend auf ihrer Position im Regal angeordnet. Mithilfe ihrer Koordinaten werden Produkte sortiert und in Regalreihen gruppiert, wodurch Rohdaten-Erkennungen in ein strukturiertes Layout umgewandelt werden, das die tatsächliche Regalanordnung widerspiegelt.
• Vergleiche erwartete und tatsächliche Layouts: Als Nächstes wird das strukturierte Regallayout mit dem erwarteten Planogramm verglichen, um Unterschiede zu identifizieren. Wenn ein erkanntes Produkt nicht mit der erwarteten SKU übereinstimmt, wird es als falsch platziert markiert. Wenn ein Produkt an einer Position fehlt, wird es als fehlend gekennzeichnet. Dieser Schritt kann auch verwendet werden, um zu überprüfen, ob die erforderliche Anzahl an Facings eingehalten wird.
• Generiere Compliance-Ergebnisse: Schließlich kann ein Compliance-Bericht für jedes Regal erstellt werden, der Nicht-Compliance, Abweichungen und Unstimmigkeiten hervorhebt. Diese Ergebnisse können über Dashboards geteilt werden, um Teams dabei zu helfen, Probleme schnell zu identifizieren und anzugehen.

Link to this sectionBereitstellung eines Vision-Modells für Planogramm-Compliance#

Nachdem eine Lösung erstellt wurde, die Produkterkennung und Compliance-Logik integriert, ist der nächste Schritt die Bereitstellung in einer Einzelhandelsumgebung. Es gibt verschiedene Optionen, die bei der Bereitstellung zu berücksichtigen sind, je nach Anwendungsfall und Infrastruktur.

Eine Option ist die Bereitstellung des Modells auf Edge-Geräten, wie z. B. Servern im Geschäft oder eingebetteter Hardware. Diese Systeme werden in der Nähe der Kameras platziert, sodass Regalbilder dort verarbeitet werden können, wo sie aufgenommen werden, was geringe Latenz und Echtzeitüberwachung ermöglicht.

Eine weitere Option ist die cloudbasierte Bereitstellung, bei der Bilder zur Verarbeitung an Remote-Server gesendet werden. Dies kann die Verwaltung und Skalierung von Bereitstellungen über mehrere Standorte hinweg erleichtern, insbesondere wenn eine zentrale Überwachung erforderlich ist.

Innerhalb des Ultralytics-Ökosystems gibt es mehrere Optionen, die diese verschiedenen Bereitstellungsszenarien unterstützen. Beispielsweise können trainierte YOLO26-Modelle mit dem Ultralytics Python-Paket in verschiedene Formate wie ONNX, TensorRT oder CoreML exportiert werden.

Dies ermöglicht es, Modelle auf einer Vielzahl von Hardware auszuführen, einschließlich Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), mobilen Geräten und eingebetteten Systemen, je nach Anforderungen der Bereitstellung.

Unterdessen bietet die Ultralytics Platform integrierte Bereitstellungsoptionen, die Tests, Integration und Produktionsbereitstellung vereinfachen. Modelle können direkt im Browser getestet, mithilfe gemeinsam genutzter Inferenz-APIs in Anwendungen integriert oder für skalierbare Produktionseinsätze an dedizierte Endpunkte bereitgestellt werden.

Sie unterstützt auch den Export von Modellen für die Ausführung auf externen Systemen oder Edge-Geräten, was den Wechsel von der Entwicklung zur realen Bereitstellung erleichtert. Darüber hinaus enthält die Plattform Überwachungstools, die dabei helfen, die Leistung nach der Bereitstellung zu verfolgen und einen zuverlässigen Betrieb im Laufe der Zeit sicherzustellen.

Link to this sectionVorteile der Verwendung von Vision-KI zur Planogramm-Compliance-Erkennung#

Hier sind einige der wichtigsten Vorteile der Verwendung von YOLO26 zum Aufbau eines Planogramm-Compliance-Systems:

• Anpassbar an verschiedene Einzelhandelsumgebungen: YOLO26 kann mit neuen Daten erneut trainiert oder feinabgestimmt werden, was es an verschiedene Ladenlayouts, Produktsortimente und regionale Unterschiede anpassbar macht.
• Optimiert datengesteuerte Entscheidungsfindung: Compliance-Daten können über Geschäfte hinweg aggregiert werden, um Trends zu identifizieren, die Leistung zu messen und Einzelhandelsstrategien zu verbessern.
• Kontinuierliche Echtzeitüberwachung: YOLO26 ist für Inferenz mit geringer Latenz optimiert, was eine kontinuierliche Analyse von Regalbildern und die Echtzeiterkennung von Änderungen der Produktplatzierung auf Edge-Geräten ermöglicht.
• Integration mit Einzelhandelssystemen: Ein durch YOLO26 betriebenes System zur Erkennung von Planogramm-Compliance kann mit Bestands-, POS- (Point of Sale) oder Analysesystemen integriert werden, um einen vollständigeren Überblick über die Filialleistung zu erhalten.

Link to this sectionWichtige Erkenntnisse#

Planogramm-Compliance ist entscheidend für die Aufrechterhaltung einer genauen Produktplatzierung und konsistenter Einzelhandelsabläufe. Durch die Kombination von Produkterkennung mit Layout-Vergleich können Geschäfte manuelle Audits reduzieren und Regale genauer überprüfen. Mit Modellen wie YOLO26 können solche Systeme in mehreren Geschäften eingesetzt werden und zudem bessere Entscheidungen mithilfe von Daten auf Filialebene unterstützen.

Möchtest du Vision-KI in deine Projekte einbringen? Tritt unserer aktiven Community bei und erfahre mehr über Vision-KI im Einzelhandel und Computer Vision in der Robotik. Erkunde unser GitHub-Repository, um mehr zu erfahren. Sieh dir unsere Lizenzoptionen an, um loszulegen!