Ultralytics YOLO26 zur Erkennung der Einhaltung von Regalplänen einsetzen

Wir alle waren schon einmal in einem Geschäft, 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 am falschen Platz, manchmal ist es ausverkauft und manchmal hebt es sich einfach nicht von den anderen Produkten im Regal ab.

Für Händler ist es wichtiger, als man vielleicht denkt, Produkte am richtigen Platz zu halten. Das wirkt sich darauf aus, wie leicht Kunden Artikel finden, und kann Umsatz und Kundenzufriedenheit direkt beeinflussen. Um das zu steuern, verwenden Geschäfte einen Regalplan, der einfach darstellt, wo jedes Produkt im Regal stehen soll.

Bei der Prüfung der Regalplankonformität wird kontrolliert, ob das tatsächliche Regal dem vorgesehenen Layout entspricht. In vielen Geschäften geschieht das noch durch manuelle Kontrollen und Checklisten, was zeitaufwendig und uneinheitlich sein kann.

Abb. 1: Ein Regalplan im Vergleich zu einem tatsächlichen Regal (Realogramm) mit den Ergebnissen der Konformitätsprüfung (Quelle)

Schon kleine Abweichungen wie falsch platzierte SKUs (Artikelnummern), falsche Preise oder nicht vorrätige Produkte können einen Unterschied machen. SKUs sind eindeutige Codes, mit denen einzelne Produktvarianten wie verschiedene Größen oder Geschmacksrichtungen identifiziert und nachverfolgt werden. Solche Probleme verringern die Verfügbarkeit im Regal und können zu Umsatzeinbußen führen.

Deshalb setzen Händler zunehmend auf Computer Vision und Bilderkennung. Diese KI-Technologien können Regalbilder analysieren, die mit Kameras im Geschäft aufgenommen wurden, Produkte automatisch erkennen und überprüfen, ob sie richtig platziert sind. Vision-KI-Modelle wie Ultralytics YOLO26 machen diesen Prozess schnell, genau und in echten Geschäften praktisch einsetzbar.

In diesem Artikel zeigen wir dir, wie du mit Ultralytics YOLO26 ein System zur Erkennung der Regalplankonformität entwickelst. Los geht's!

Was bedeutet Regalplankonformität?#

Die Einhaltung des Regalplans sorgt für einheitliche Ladenlayouts, unterstützt korrekte Preise und Werbeaktionen, verbessert die Bestandsverwaltung und erleichtert es Kunden, Produkte im Regal zu finden.

Damit ist gemeint, Produkte nach einem vorgegebenen Layout oder Regalplan anzuordnen. Der Regalplan legt fest, wo jedes Produkt platziert werden soll, wie viele Frontplätze ihm zustehen (also wie viele Produkte vorne im Regal stehen und für Kunden sichtbar sind) und welche Produkte nebeneinander stehen sollen.

Sowohl Händler als auch Marken von Konsumgütern (CPG) verlassen sich auf Regalpläne. Händler nutzen sie, um Regale zu organisieren und die Einheitlichkeit in ihren Geschäften zu wahren. Marken verwenden sie, um sicherzustellen, dass ihre Produkte korrekt präsentiert werden und gut sichtbar sind.

Abb. 2: Ein Blick auf den Abgleich eines Regalplans mit einem tatsächlichen Regalaufbau (Quelle)

Bei der Prüfung eines Regalplans wird ein tatsächliches Regal mit dem vorgesehenen Layout verglichen. Dabei wird kontrolliert, ob sich die richtigen SKUs an den richtigen Positionen befinden und die erforderliche Anzahl an Frontplätzen eingehalten wird.

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

Das kann sich auf die Preisgenauigkeit und die Kaufentscheidungen der Kunden auswirken. Die Einhaltung des Regalplans sorgt für ordentliche Regale und verbessert das Einkaufserlebnis.

Computer Vision zur Einhaltung von Regalplänen einsetzen#

Traditionell haben Einzelhandelsgeschäfte die Einhaltung von Regalplänen durch manuelle Kontrollen und Checklisten sichergestellt. Mitarbeitende im Geschäft prüfen die Regalaufteilung, kontrollieren die Produktplatzierung und die Anzahl der sichtbaren Produktfronten und halten ihre Beobachtungen fest.

Dieser Prozess kann jedoch zeitaufwendig und über mehrere Geschäfte hinweg schwer skalierbar sein und führt oft zu uneinheitlichen Prüfungen. Die Einzelhandelsbranche setzt zunehmend auf Computer Vision, ein Teilgebiet der künstlichen Intelligenz, mit dem Systeme Bilder analysieren und verstehen können, um diese Prüfungen effizienter durchzuführen.

Diese Systeme nehmen mit Kameras Regalbilder auf und verarbeiten sie mithilfe trainierter Modelle, um einzelne Produkte zu erkennen. Computer-Vision-Modelle wie Ultralytics YOLO26 unterstützen Aufgaben wie Objekterkennung und Instanzsegmentierung und ermöglichen so, Produkte in Einzelhandelsregalen präzise zu erkennen und zu lokalisieren.

Abb. 3. Beispiel für den Einsatz von YOLO26 zur Erkennung und Segmentierung von Produkten in einem Einzelhandelsregal (Quelle)

Der Einsatz von Ultralytics YOLO26 für diesen Anwendungsfall ist ebenfalls unkompliziert, da das Modell sofort einsatzbereit vortrainiert verfügbar ist und damit eine gute Grundlage bietet. Außerdem lässt es sich mit Daten zu Einzelhandelsregalen weitertrainieren, um bestimmte Produkte zu erkennen.

Auf Grundlage dieser Erkennungen kann ein System zur Prüfung der Regalplankonformität die Produktpositionen im Regal erfassen und mit den vorgesehenen Anordnungen vergleichen. So können Händler über manuelle Kontrollen hinausgehen und die Regale fortlaufend auf Ebene einzelner Geschäfte überwachen.

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

So funktioniert die KI-gestützte Prüfung der Regalplankonformität#

Bevor wir uns ansehen, wie du Ultralytics YOLO26 zur Prüfung der Regalplankonformität einsetzt, betrachten wir zunächst, wie Produkterkennung und der Vergleich von Anordnungen in diesen Systemen zusammenwirken.

Ein System zur Prüfung der Regalplankonformität arbeitet in der Regel in zwei Hauptphasen. Zunächst analysiert ein Modell wie Ultralytics YOLO26 Regalbilder, um Produkte zu erkennen und zu klassifizieren. Zu jeder Erkennung liefert das Modell Positionsdaten, die zeigen, wo sich das jeweilige Produkt im Regal befindet.

Anschließend werden diese Erkennungen in einer strukturierten Regalansicht angeordnet. Die Produkte werden anhand ihrer Positionen gruppiert, üblicherweise nach Regalreihen, damit ihre Anordnung der Realität entspricht.

Abb. 4. Ultralytics YOLO26 kann die Prüfung der Regalplankonformität ermöglichen. (Quelle)

Diese strukturierte Regalansicht wird anschließend mit dem vorgesehenen Regalplan verglichen. Das System prüft, ob die richtigen SKUs an den vorgesehenen Positionen stehen, ob die erforderliche Anzahl sichtbarer Produktfronten eingehalten wird und ob Produkte fehlen oder falsch platziert sind.

Durch die Kombination von Produkterkennung und dem Vergleich der Anordnungen kann das System Unterschiede zwischen der vorgesehenen und der tatsächlichen Regalaufteilung feststellen. Die Ergebnisse lassen sich in Berichten zur Konformität oder in Übersichtsseiten darstellen, die Probleme auf Ebene einzelner Geschäfte hervorheben.

So können Teams im Geschäft schnell nachvollziehen, was nicht stimmt, Korrekturmaßnahmen ergreifen und eine einheitliche Umsetzung im Einzelhandel sicherstellen.

Einen Datensatz für ein System zur Prüfung der Regalplankonformität vorbereiten#

Der erste Schritt beim Aufbau eines Systems zur Prüfung der Regalplankonformität ist die Vorbereitung eines gut strukturierten Datensatzes. Dazu werden Regalbilder aus verschiedenen Einzelhandelsumgebungen gesammelt. Qualität und Vielfalt dieser Daten wirken sich unmittelbar auf die Leistung des Modells aus.

Öffentliche Datensätze können ebenfalls als Ausgangspunkt dienen. Da sich Ladenlayouts, Produktsortimente und Regalaufteilungen jedoch je nach Händler unterscheiden, bilden sie die Bedingungen in der Praxis oft nicht vollständig ab.

Für eine zuverlässige Leistung ist in der Regel ein maßgeschneiderter Datensatz erforderlich, der auf die jeweilige Ladenumgebung abgestimmt ist. Die Daten können an verschiedenen Einzelhandelsstandorten mit Kameras im Geschäft oder Mobilgeräten aufgenommene Regalfotos umfassen.

Zusätzlich zu Daten aus der Praxis können simulierte Regalaufbauten genutzt werden, um kontrollierte Szenarien zu erstellen. Durch die Kombination beider Datenarten kann ein Modell in verschiedenen Ladenumgebungen zuverlässiger arbeiten.

Entscheidend ist auch, unterschiedliche Bedingungen in echten Geschäften zu erfassen, etwa Änderungen an Ladenlayouts, Regalaufteilungen und Produktplatzierungen sowie unterschiedliche Lichtverhältnisse, Kamerawinkel und Regalordnungen. Mit vielfältigen, realitätsnahen Daten kann das Modell lernen, auf verschiedene Geschäfte zu generalisieren und die präzise Prüfung der Regalplankonformität in großem Umfang zu unterstützen.

Ein Überblick über die Annotation eines Einzelhandelsdatensatzes#

Sobald die Daten gesammelt sind, folgt die Annotation. Jedes Produkt in einem Bild wird durch einen umgebenden Begrenzungsrahmen markiert, damit das Modell lernt, verschiedene SKUs zu erkennen.

Beim Annotieren ist es wichtig, eindeutige Klassen festzulegen. Je nach Regalplan lässt sich dabei unterschiedlich detailliert vorgehen.

Auf SKU-Ebene wird jede Produktvariante, etwa eine bestimmte Marke, Größe oder Geschmacksrichtung, separat gekennzeichnet. Auf Kategorieebene können ähnliche Produkte zusammengefasst werden, zum Beispiel alle Erfrischungsgetränke oder alle Snacks.

Tools wie die Ultralytics Platform, eine durchgängige Umgebung zur Verwaltung von Datensätzen, Annotation, Training und Bereitstellung, können diesen Prozess vereinfachen. Sie unterstützt sowohl die manuelle Annotation als auch die KI-gestützte Kennzeichnung, bei der Modelle Annotationen vorschlagen, die anschließend geprüft und verfeinert werden können. Das trägt zu höherer Geschwindigkeit und Einheitlichkeit bei.

Ultralytics YOLO26 für die Produkterkennung trainieren#

Sobald der Datensatz vorbereitet und annotiert ist, folgt das Training von YOLO26 zur Erkennung von Produkten in Einzelhandelsregalen. Dafür kannst du das Ultralytics Python-Paket oder die Ultralytics Platform verwenden.

Das Ultralytics Python-Paket bietet Flexibilität beim Aufbau individueller Pipelines und bei der Integration des Trainings in bestehende Arbeitsabläufe. Die Ultralytics Platform stellt eine einheitliche Umgebung bereit, in der du Annotationen bearbeiten, Datensätze verwalten, das Training konfigurieren, Experimente ausführen und Ergebnisse über ein einziges Dashboard überwachen kannst.

Außerdem bietet die Plattform GPU-Optionen in der Cloud für skalierbares Training und unterstützt die Bereitstellung. Dadurch musst du keine Infrastruktur einrichten oder Abhängigkeiten verwalten.

Vor dem Trainingsstart solltest du noch einige weitere wichtige Faktoren berücksichtigen:

• Aufteilung des Datensatzes: Der Datensatz sollte in Trainings-, Validierungs- und Testdaten aufgeteilt werden. So lässt sich beurteilen, wie gut das Modell auf neue Daten generalisiert, und eine Überanpassung vermeiden.
• Modellauswahl: Die Modelle von Ultralytics YOLO26 sind in verschiedenen Größen verfügbar. So kannst du Geschwindigkeit und Genauigkeit passend zu deinen Anforderungen an die Bereitstellung abwägen.
• Trainingskonfiguration: Parameter wie Batchgröße, Bildgröße und Anzahl der Epochen können sich sowohl auf die Trainingsgeschwindigkeit als auch auf die Modellleistung auswirken.

Nach Abschluss des Trainings lässt sich das Modell anhand von Kennzahlen wie Präzision, Trefferquote und mAP (mittlere durchschnittliche Präzision) bewerten. Mit diesen Kennzahlen kannst du messen, wie präzise das Modell Produkte erkennt und wie gut es Fehler vermeidet.

Ist die Leistung des Modells nicht gut genug, kannst du den Datensatz und die Trainingskonfiguration verbessern. Dazu gehören beispielsweise Datenerweiterung, das Hinzufügen vielfältigerer Bilder oder der Ausgleich von Klassen, in denen manche SKUs seltener vorkommen.

Logik zur Prüfung der Regalplankonformität integrieren#

Nach dem Training und der Bewertung eines Modells folgt der Aufbau der Logik für die Prüfung der Regalplankonformität. Dazu werden die Regaldaten strukturiert und mit der vorgesehenen Anordnung verglichen.

So läuft dieser Prozess ab:

• Vorgesehene Regalaufteilung festlegen: Zunächst wird anhand des Regalplans die vorgesehene Regalaufteilung festgelegt und als strukturiertes Raster mit Zeilen und Spalten dargestellt. Jede Position im Raster entspricht einer bestimmten SKU und bildet ab, wie die Produkte auf der verfügbaren Regalfläche angeordnet werden sollen.
• Erkannte Produkte anordnen: Anschließend werden die Erkennungen des Modells anhand ihrer Position im Regal angeordnet. Mithilfe ihrer Koordinaten werden Produkte sortiert und zu Regalreihen gruppiert. So werden rohe Erkennungsdaten in eine strukturierte Ansicht umgewandelt, die der tatsächlichen Regalaufteilung entspricht.
• Vorgesehene und tatsächliche Anordnungen vergleichen: Danach wird die strukturierte Regalansicht mit dem vorgesehenen Regalplan verglichen, um Unterschiede zu erkennen. Stimmt ein erkanntes Produkt nicht mit der erwarteten SKU überein, wird es als falsch platziert markiert. Fehlt ein Produkt an einer Position, wird es als fehlend gekennzeichnet. Mit diesem Schritt lässt sich auch prüfen, ob die erforderliche Anzahl sichtbarer Produktfronten eingehalten wird.
• Ergebnisse der Konformitätsprüfung erstellen: Abschließend kann für jedes Regal ein Bericht erstellt werden, der Verstöße, Abweichungen und Unstimmigkeiten hervorhebt. Die Ergebnisse können über Dashboards geteilt werden, damit Teams Probleme schnell erkennen und beheben können.

Ein Vision-Modell zur Prüfung der Regalplankonformität bereitstellen#

Nach dem Aufbau einer Lösung, die Produkterkennung und die Logik zur Konformitätsprüfung verbindet, folgt die Bereitstellung in einer Einzelhandelsumgebung. Je nach Anwendungsfall und Infrastruktur kommen dafür verschiedene Möglichkeiten infrage.

Eine Möglichkeit ist die Bereitstellung des Modells auf Edge-Geräten, etwa auf Servern im Geschäft oder eingebetteter Hardware. Diese Systeme befinden sich in Kameranähe, sodass Regalbilder direkt am Aufnahmeort verarbeitet werden können. Das ermöglicht kurze Latenzzeiten und eine Überwachung in Echtzeit.

Eine weitere Möglichkeit ist die Bereitstellung in der Cloud, bei der Bilder zur Verarbeitung an entfernte Server gesendet werden. So lassen sich Bereitstellungen an mehreren Standorten leichter verwalten und skalieren, insbesondere wenn eine zentrale Überwachung erforderlich ist.

Im Ultralytics-Ökosystem gibt es verschiedene Möglichkeiten für diese Bereitstellungsszenarien. Mit dem Ultralytics Python-Paket kannst du trainierte YOLO26-Modelle exportieren, beispielsweise in ONNX, TensorRT oder CoreML.

Dadurch lassen sich Modelle je nach Bereitstellungsanforderungen auf einer Vielzahl von Geräten ausführen, darunter Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), Mobilgeräte und eingebettete Systeme.

Die Ultralytics Platform bietet außerdem integrierte Bereitstellungsoptionen, die Tests, Integration und Bereitstellung in der Produktion vereinfachen. Modelle können direkt im Browser getestet, mithilfe gemeinsam genutzter Inferenz-APIs in Anwendungen integriert oder für den skalierbaren Produktionseinsatz auf dedizierten Endpunkten bereitgestellt werden.

Die Plattform unterstützt außerdem den Export von Modellen zur Ausführung auf externen Systemen oder Edge-Geräten und erleichtert so den Schritt von der Entwicklung zur praktischen Bereitstellung. Darüber hinaus umfasst sie Überwachungswerkzeuge, mit denen du die Leistung nach der Bereitstellung verfolgen und einen zuverlässigen Betrieb auf Dauer sicherstellen kannst.

Vorteile von Vision-KI bei der Prüfung der Regalplankonformität#

Hier sind einige der wichtigsten Vorteile des Einsatzes von Ultralytics YOLO26 für den Aufbau eines Systems zur Prüfung der Regalplankonformität:

• Anpassbar an unterschiedliche Einzelhandelsumgebungen: Ultralytics YOLO26 lässt sich mit neuen Daten erneut trainieren oder feinabstimmen und dadurch an unterschiedliche Ladenlayouts, Produktsortimente und regionale Besonderheiten anpassen.
• Verbessert datenbasierte Entscheidungen: Daten zur Konformität können geschäftsübergreifend zusammengeführt werden, um Trends zu erkennen, die Leistung zu messen und Einzelhandelsstrategien zu verbessern.
• Kontinuierliche Überwachung in Echtzeit: Ultralytics YOLO26 ist für Inferenz mit kurzen Latenzzeiten optimiert. Dadurch können Regalbilder fortlaufend analysiert und Änderungen an der Produktplatzierung auf Edge-Geräten in Echtzeit erkannt werden.
• Integration in Einzelhandelssysteme: Ein von Ultralytics YOLO26 unterstütztes System zur Prüfung der Regalplankonformität lässt sich in Bestands-, Kassensysteme (POS) oder Analysesysteme integrieren, um einen umfassenderen Überblick über die Leistung eines Geschäfts zu erhalten.

Die wichtigsten Erkenntnisse#

Die Einhaltung von Regalplänen ist entscheidend für die korrekte Produktplatzierung und einheitliche Abläufe im Einzelhandel. Durch die Kombination von Produkterkennung und dem Vergleich der Anordnungen können Geschäfte manuelle Kontrollen reduzieren und Regale präziser überprüfen. Mit Modellen wie Ultralytics YOLO26 lassen sich solche Systeme in mehreren Geschäften einsetzen. Zudem können sie mithilfe von Daten auf Geschäftsebene fundiertere Entscheidungen unterstützen.

Möchtest du Vision-KI in deine Projekte einbringen? Werde Teil unserer aktiven Community und erfahre mehr über Vision-KI im Einzelhandel und Computer Vision in der Robotik. In unserem GitHub-Repository findest du weitere Informationen. Sieh dir unsere Lizenzoptionen an und leg los!