Erfahren Sie, wie Sie ein System zur Überwachung der Planogramm-Einhaltung aufbauen, das auf Bildverarbeitungs-KI-Modellen wie Ultralytics basiert, um detect Produkte detect und die Regalüberprüfung im Einzelhandel zu automatisieren.
Wir alle kennen das: Man geht in einen Laden, um etwas wie Brot oder Müsli zu kaufen, schaut sich ein paar Minuten lang in den Regalen um und stellt dann fest, dass man das Gesuchte nicht finden kann. Manchmal steht es am falschen Platz, manchmal ist es ausverkauft, und manchmal geht es einfach in der Masse der anderen Produkte im Regal unter.
Für Einzelhändler ist es wichtiger, als man vielleicht denkt, die Produkte an der richtigen Stelle zu platzieren. Dies beeinflusst, wie leicht Kunden Artikel finden können, und wirkt sich direkt auf den Umsatz und die allgemeine Kundenzufriedenheit aus. Um dies zu regeln, verwenden Geschäfte ein Planogramm, eine einfache Darstellung, die zeigt, wo jedes Produkt im Regal platziert werden soll.
Die Planogramm-Einhaltung bezeichnet den Prozess, bei dem überprüft wird, ob die tatsächliche Regalbestückung mit dem vorgesehenen Layout übereinstimmt. In vielen Geschäften erfolgt dies nach wie vor durch manuelle Kontrollen und Checklisten, was zeitaufwändig und zu uneinheitlichen Ergebnissen führen kann.
Selbst kleine Unstimmigkeiten wie falsch zugeordnete SKUs (Stock Keeping Units), falsche Preisangaben oder nicht vorrätige Produkte können einen Unterschied machen. SKUs sind eindeutige Codes, mit denen track Produktvarianten, wie beispielsweise verschiedene Größen oder Geschmacksrichtungen, identifiziert und track werden. Diese Probleme beeinträchtigen die Verfügbarkeit im Regal und können zu Umsatzverlusten führen.
Aus diesem Grund setzen Einzelhändler zunehmend auf Computer Vision und Bilderkennung. Diese KI-Technologien können Regalaufnahmen von Kameras im Laden analysieren, detect automatisch detect und überprüfen, ob sie korrekt platziert sind. KI-Modelle für die Bildverarbeitung wie Ultralytics machen diesen Prozess schnell, präzise und praktisch einsetzbar in realen Ladenumgebungen.
In diesem Artikel zeigen wir Ihnen, wie Sie mit Ultralytics ein System zur Erkennung von Planogrammabweichungen entwickeln können. Los geht’s!
Die Einhaltung von Planogrammen trägt dazu bei, die Ladengestaltung einheitlich zu gestalten, ermöglicht eine korrekte Preisauszeichnung und die Umsetzung von Werbeaktionen, verbessert die Bestandsverwaltung und erleichtert es den Kunden, Produkte im Regal zu finden.
Damit ist die Anordnung von Produkten nach einem vordefinierten Layout oder Planogramm gemeint. Dieses Layout legt fest, wo jedes Produkt platziert werden soll, wie viele Regalfronten es haben soll (die Anzahl der Produkte, die an der Vorderseite des Regals platziert und für die Kunden sichtbar sind) und welche Produkte nebeneinander positioniert werden sollen.
Sowohl Einzelhändler als auch Konsumgüterhersteller (CPG) stützen sich auf Planogramme. Einzelhändler nutzen sie, um Regale zu organisieren und eine einheitliche Gestaltung in allen Filialen zu gewährleisten, während Konsumgüterhersteller sie einsetzen, um sicherzustellen, dass ihre Produkte korrekt präsentiert werden und ausreichend Sichtbarkeit erhalten.
Bei der Überprüfung von Planogrammen wird das tatsächliche Regal mit der vorgesehenen Anordnung verglichen. Dabei wird geprüft, ob die richtigen Artikel an den richtigen Stellen stehen und ob die vorgeschriebene Anzahl an Regalfronten eingehalten wird.
Vielleicht fragen Sie sich, ob die Platzierung eines Produkts im Regal wirklich einen Unterschied macht. Wenn Produkte jedoch ähnlich aussehen, können schon kleine Fehler bei der Platzierung dazu führen, dass Artikel schwerer zu finden sind oder Kunden verwirren.
Dies kann sich auf die Preisgenauigkeit und die Kaufentscheidungen der Kunden auswirken. Die Einhaltung der Vorschriften sorgt für Ordnung in den Regalen und verbessert das Kundenerlebnis.
Bislang haben Einzelhandelsgeschäfte die Einhaltung der Planogramme durch manuelle Kontrollen und Checklisten sichergestellt. Das Filialpersonal überprüft die Regalaufstellung, kontrolliert die Produktplatzierung und die Auslage und hält seine Beobachtungen fest.
Dieser Prozess kann jedoch zeitaufwendig sein, lässt sich nur schwer auf mehrere Filialen übertragen und führt oft zu Uneinheitlichkeiten bei der Durchführung der Kontrollen. Der Einzelhandel setzt zunehmend auf Computer Vision, einen Bereich der künstlichen Intelligenz, der es Systemen ermöglicht, Bilder zu analysieren und zu verstehen, um diese Konformitätsprüfungen besser zu bewältigen.
Diese Systeme erfassen mithilfe von Kameras Bilder der Regale und verarbeiten diese unter Verwendung trainierter Modelle, um einzelne Produkte zu erkennen. Computer-Vision-Modelle wie Ultralytics unterstützen Bildverarbeitungsaufgaben wie Objekterkennung und Instanzsegmentierung, wodurch Produkte in Verkaufsregalen präzise identifiziert und lokalisiert werden können.
Der Einsatz von YOLO26 für diesen Anwendungsfall ist ebenfalls unkompliziert, da es als vortrainiertes Modell sofort einsatzbereit ist, einen soliden Ausgangspunkt bietet und anhand von Daten aus dem Einzelhandel speziell auf die Erkennung bestimmter Produkte trainiert werden kann.
Auf der Grundlage dieser Erkennungsergebnisse kann ein System zur Überprüfung der Planogramm-Einhaltung die Produktpositionen im Regal abbilden und mit den erwarteten Anordnungen vergleichen. Mit diesem Ansatz können Einzelhändler über manuelle Kontrollen hinausgehen und die Regale auf Filialebene kontinuierlich überwachen.
Sie können detect auf SKU-Ebene detect , Fehler bei der Platzierung erkennen und die Regalverfügbarkeit sowie die allgemeine Umsetzung verbessern.
Bevor wir uns damit befassen, wie man YOLO26 zur Überprüfung der Planogramm-Konformität einsetzt, wollen wir einen Schritt zurücktreten und verstehen, wie Produkt-Erkennung und Layout-Vergleich in diesen Systemen zusammenwirken.
Ein System zur Überprüfung der Planogramme funktioniert in der Regel in zwei Hauptschritten. Zunächst analysiert ein Modell wie Ultralytics Regalaufnahmen, um classify detect classify . Bei jeder Erkennung liefert das Modell Standortinformationen, die zeigen, wo sich das jeweilige Produkt im Regal befindet.
Anschließend werden diese Erkennungsergebnisse in einem strukturierten Regal-Layout angeordnet. Die Produkte werden entsprechend ihrer Position gruppiert, in der Regel in Regalreihen, um die Anordnung der Artikel in der realen Welt widerzuspiegeln.
Dieses strukturierte Layout wird anschließend mit dem erwarteten Planogramm abgeglichen. Das System prüft, ob sich die richtigen Artikel an den richtigen Positionen befinden, ob die erforderliche Anzahl an Regalflächen eingehalten wird und ob Produkte fehlen oder falsch platziert sind.
Durch die Kombination von Produkterkennung und Layoutvergleich kann das System Abweichungen zwischen der erwarteten und der tatsächlichen Regalbestückung erkennen. Die Ergebnisse können in Form von Konformitätsberichten oder Dashboards dargestellt werden, die Probleme auf Filialebene aufzeigen.
Dadurch können die Filialteams nahtlos und schnell erkennen, wo das Problem liegt, Korrekturmaßnahmen ergreifen und eine einheitliche Umsetzung im Einzelhandel gewährleisten.
Der erste Schritt beim Aufbau eines Systems zur Überprüfung der Planogramm-Einhaltung ist die Erstellung eines gut strukturierten Datensatzes. Dazu müssen Regalaufnahmen aus verschiedenen Einzelhandelsumgebungen gesammelt werden. Die Qualität und Vielfalt dieser Daten wirken sich direkt auf die Leistungsfähigkeit des Modells aus.
Öffentlich zugängliche Datensätze können ebenfalls als Ausgangspunkt dienen. Da sich jedoch Ladenlayouts, Produktsortimente und Regalbestückungen von Einzelhändler zu Einzelhändler unterscheiden, entsprechen sie oft nicht vollständig den realen Gegebenheiten.
Um eine zuverlässige Leistung zu gewährleisten, ist es in der Regel erforderlich, einen auf die jeweilige Ladenumgebung zugeschnittenen Datensatz zu erstellen. Die Daten können anhand von Regalfotos erfasst werden, die von Kameras im Laden oder von Mobilgeräten an verschiedenen Verkaufsstandorten aufgenommen wurden.
Neben realen Daten können auch simulierte Regalaufstellungen genutzt werden, um kontrollierte Szenarien zu erstellen. Durch die Kombination beider Ansätze kann ein Modell in verschiedenen Ladenumgebungen zuverlässiger funktionieren.
Es ist zudem von entscheidender Bedeutung, unterschiedliche reale Ladenbedingungen zu erfassen, wie beispielsweise Änderungen bei der Ladengestaltung, der Regalgestaltung, der Produktplatzierung, der Beleuchtung, den Kamerawinkeln und der Regalorganisation. Durch die Erfassung vielfältiger und realistischer Daten kann das Modell lernen, diese Erkenntnisse auf verschiedene Filialen zu übertragen, und so eine präzise Erkennung der Planogramm-Einhaltung in großem Maßstab unterstützen.
Sobald die Daten erfasst sind, folgt der nächste Schritt: die Annotation. Jedes Produkt in einem Bild wird durch das Einzeichnen von Begrenzungsrahmen gekennzeichnet, damit das Modell lernen kann, verschiedene Artikelnummern zu erkennen.
Beim Beschriften ist es wichtig, klare Kategorien festzulegen. Dies kann je nach Planogramm auf verschiedenen Detailebenen erfolgen.
Auf SKU-Ebene wird jede Produktvariante, wie beispielsweise eine bestimmte Marke, Größe oder Geschmacksrichtung, separat gekennzeichnet. Auf Kategorieebene können ähnliche Produkte zusammengefasst werden, wie beispielsweise alle Erfrischungsgetränke oder alle Snacks.
Tools wie die Ultralytics , eine End-to-End-Umgebung für die Verwaltung von Datensätzen, die Annotation, das Training und die Bereitstellung, können diesen Prozess vereinfachen. Sie unterstützt sowohl die manuelle Annotation als auch die KI-gestützte Beschriftung, bei der Modelle Annotationen vorschlagen können, die überprüft und verfeinert werden können, was zu einer höheren Geschwindigkeit und Konsistenz beiträgt.
Sobald der Datensatz vorbereitet und beschriftet ist, besteht der nächste Schritt darin, YOLO26 darauf zu trainieren, detect in Verkaufsregalen detect . Dies kann mithilfe des Python Ultralytics oder Ultralytics erfolgen.
DasPython Ultralytics bietet Flexibilität beim Aufbau benutzerdefinierter Pipelines und bei der Integration von Trainingsprozessen in bestehende Arbeitsabläufe. Ebenso bietet die Ultralytics eine einheitliche Umgebung, in der Sie über ein einziges Dashboard Annotationen vornehmen, Datensätze verwalten, Trainings konfigurieren, Experimente durchführen und Ergebnisse überwachen können.
Außerdem bietet es GPU für skalierbares Training und unterstützt die Bereitstellung, wodurch der Aufwand für die Einrichtung der Infrastruktur oder die Verwaltung von Abhängigkeiten reduziert wird.
Bevor Sie mit dem Training beginnen, sollten Sie noch einige weitere wichtige Punkte beachten:
Nach Abschluss des Trainings kann das Modell anhand von Kennzahlen wie Präzision, Recall und mAP Mean Average Precision) bewertet werden. Anhand dieser Kennzahlen lässt sich messen, wie genau das Modell Produkte erkennt und wie gut es Fehler vermeidet.
Sollte die Leistung des Modells nicht ausreichend sein, können der Datensatz und die Trainingskonfiguration optimiert werden. Dazu gehören beispielsweise die Anwendung von Datenaugmentierung, das Hinzufügen vielfältigerer Bilder oder das Ausgleichen der Klassen, in denen bestimmte SKUs seltener vorkommen.
Nach dem Training und der Bewertung eines Modells besteht der nächste Schritt darin, die Logik zu entwickeln, die die Überprüfung der Planogramm-Einhaltung durchführt. Dazu müssen die Regaldaten strukturiert und mit dem erwarteten Layout abgeglichen werden.
Hier ein Überblick darüber, wie dieser Prozess abläuft:
Nachdem eine Lösung entwickelt wurde, die Produkterkennung und Compliance-Logik integriert, besteht der nächste Schritt darin, diese in einer Einzelhandelsumgebung zu implementieren. Je nach Anwendungsfall und Infrastruktur gibt es bei der Implementierung verschiedene Optionen zu berücksichtigen.
Eine Möglichkeit besteht darin, das Modell auf Edge-Geräten zu implementieren, beispielsweise auf Servern in den Filialen oder auf eingebetteter Hardware. Diese Systeme werden in der Nähe der Kameras aufgestellt, sodass die Regalaufnahmen direkt am Ort der Aufnahme verarbeitet werden können, was eine geringe Latenz und eine Echtzeitüberwachung ermöglicht.
Eine weitere Möglichkeit 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 vereinfachen, insbesondere wenn eine zentralisierte Überwachung erforderlich ist.
Innerhalb des Ultralytics gibt es mehrere Optionen, die diese verschiedenen Einsatzszenarien unterstützen. So lassen sich beispielsweise mithilfe desPython trainierte YOLO26-Modelle in verschiedene Formate wie ONNX, TensorRT oder CoreML exportieren.
Dadurch ist es möglich, Modelle je nach den Anforderungen der Bereitstellung auf einer Vielzahl von Hardwarekomponenten auszuführen, darunter Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), mobile Geräte und eingebettete Systeme.
Die Ultralytics bietet integrierte Bereitstellungsoptionen, die das Testen, die Integration und die Bereitstellung in der Produktion vereinfachen. Modelle können direkt im Browser getestet, über gemeinsame Inferenz-APIs in Anwendungen integriert oder auf dedizierten Endpunkten für den skalierbaren Produktionseinsatz bereitgestellt werden.
Außerdem unterstützt sie den Export von Modellen zur Ausführung auf externen Systemen oder Edge-Geräten, was den Übergang von der Entwicklung zum Einsatz in der Praxis erleichtert. Darüber hinaus umfasst die Plattform Überwachungstools, mit denen track nach der Bereitstellung track und ein zuverlässiger Betrieb über einen längeren Zeitraum gewährleistet wird.
Hier sind einige der wichtigsten Vorteile der Verwendung von YOLO26 für die Entwicklung eines Systems zur Überwachung der Planogramm-Einhaltung:
Die Einhaltung des Planogramms ist entscheidend für eine korrekte Produktplatzierung und einen reibungslosen Geschäftsbetrieb. Durch die Kombination von Produkterkennung und Layoutvergleich können Filialen manuelle Kontrollen reduzieren und Regale genauer überprüfen. Mit Modellen wie YOLO26 lassen sich solche Systeme in mehreren Filialen einsetzen und ermöglichen zudem fundiertere Entscheidungen auf Basis von Daten auf Filialebene.
Möchten Sie Vision-KI in Ihre Projekte integrieren? Werden Sie Teil unserer aktiven Community und erfahren Sie mehr über Vision-KI im Einzelhandel und Computer Vision in der Robotik. Stöbern Sie in unserem GitHub-Repository, um mehr zu erfahren. Informieren Sie sich über unsere Lizenzoptionen, um loszulegen!
Beginnen Sie Ihre Reise mit der Zukunft des maschinellen Lernens
