Erkennung der Planogrammkonformität mit Ultralytics YOLO26

Wir alle sind schon einmal in ein Geschäft gegangen, um etwas wie Brot oder Müsli zu kaufen, haben ein paar Minuten die Regale abgesucht und dann festgestellt, dass wir es nicht finden. Manchmal steht es am falschen Platz, manchmal ist es nicht vorrätig, und manchmal hebt es sich einfach nicht von den anderen Produkten im Regal ab.

Für Händler ist es wichtiger, als es vielleicht scheint, Produkte am richtigen Platz zu halten. Es beeinflusst, wie leicht Kunden Artikel finden, und kann sich direkt auf den Umsatz und die allgemeine Kundenzufriedenheit auswirken. Um dies zu steuern, verwenden Geschäfte ein Planogramm – eine einfache Darstellung, die zeigt, wo jedes Produkt im Regal platziert werden soll.

Bei der Prüfung der Planogrammkonformität wird kontrolliert, ob das tatsächliche Regal mit der vorgesehenen Anordnung übereinstimmt. In vielen Geschäften erfolgt dies noch immer durch manuelle Prüfungen und Checklisten, was zeitaufwendig und uneinheitlich sein kann.

Abb. 1. Ein Planogramm im Vergleich zu einem tatsächlichen Regal (Realogramm) mit Ergebnissen der Konformitätserkennung (Quelle)

Selbst kleine Abweichungen wie falsch platzierte Artikelnummern (SKU), falsche Preise oder nicht vorrätige Produkte können einen Unterschied machen. SKU sind eindeutige Codes zur Identifizierung und Nachverfolgung einzelner Produktvarianten, etwa verschiedener Größen oder Geschmacksrichtungen. Diese Probleme verringern die Verfügbarkeit im Regal und können zu Umsatzeinbußen führen.

Deshalb setzen Händler zunehmend auf Computer Vision und Bilderkennung. Diese KI-Technologien können von Kameras im Geschäft aufgenommene Regalbilder analysieren, Produkte automatisch erkennen und prüfen, ob sie richtig platziert sind. Vision-KI-Modelle wie Ultralytics YOLO26 machen diesen Prozess schnell, präzise und für den Einsatz in realen Geschäften praktikabel.

In diesem Artikel zeigen wir dir, wie du mit Ultralytics YOLO26 ein System zur Erkennung der Planogrammkonformität aufbaust. Legen wir los!

Was ist Planogrammkonformität?#

Planogrammkonformität trägt dazu bei, einheitliche Ladenlayouts beizubehalten, eine korrekte Preisgestaltung und genaue Werbeaktionen zu unterstützen, die Bestandsverwaltung zu verbessern und Kunden das Auffinden von Produkten im Regal zu erleichtern.

Damit ist die Anordnung von Produkten nach einem vorab festgelegten Layout oder Planogramm gemeint. Dieses Layout legt fest, wo jedes Produkt platziert werden soll, wie viele Facing es haben soll (die Anzahl der Produkte, die an der Regalvorderseite stehen und für Kunden sichtbar sind) und welche Produkte nebeneinander angeordnet werden sollen.

Sowohl Händler als auch Marken für verpackte Konsumgüter (CPG) verlassen sich auf Planogramme. Händler verwenden sie, um Regale zu organisieren und die Einheitlichkeit in verschiedenen Geschäften zu gewährleisten, während Marken für verpackte Konsumgüter damit sicherstellen, dass ihre Produkte korrekt präsentiert werden und die nötige Sichtbarkeit erhalten.

Abb. 2. Ein Planogramm im Vergleich mit der tatsächlichen Regalaufteilung (Quelle)

Bei Planogrammprüfungen wird ein tatsächliches Regal mit der vorgesehenen Anordnung verglichen. Dabei wird kontrolliert, ob die richtigen SKU an den richtigen Positionen stehen und ob die erforderliche Anzahl an Facing beibehalten wird.

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

Dies kann die Genauigkeit der Preisangaben und die Entscheidungen der Kunden beeinflussen. Die Einhaltung der Vorgaben hält Regale ordentlich und verbessert das Einkaufserlebnis.

Computer Vision für die Prüfung der Planogrammkonformität einsetzen#

Traditionell haben Einzelhandelsgeschäfte die Planogrammkonformität durch manuelle Prüfungen und Checklisten sichergestellt. Mitarbeitende kontrollieren die Regalaufteilung, überprüfen die Produktplatzierung und die Facing und halten ihre Beobachtungen fest.

Dieser Prozess kann jedoch zeitaufwendig sein, lässt sich nur schwer auf mehrere Geschäfte skalieren und führt häufig zu uneinheitlichen Prüfabläufen. Die Einzelhandelsbranche setzt daher schnell auf Computer Vision, einen Bereich der künstlichen Intelligenz, der Systeme zur Analyse und Interpretation von Bildern befähigt, um diese Konformitätsprüfungen besser durchzuführen.

Diese Systeme verwenden Kameras zur Aufnahme von Regalbildern und verarbeiten sie mit trainierten Modellen, um einzelne Produkte zu erkennen. Computer-Vision-Modelle wie Ultralytics YOLO26 unterstützen Aufgaben wie Objekterkennung und Instanzsegmentierung und ermöglichen so die präzise Identifizierung und Lokalisierung von Produkten in Einzelhandelsregalen.

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 vorkonfiguriert als vortrainiertes Modell verfügbar ist und somit einen guten Ausgangspunkt bietet. Außerdem kann es mit Daten von Einzelhandelsregalen weitertrainiert werden, um bestimmte Produkte zu erkennen.

Auf Grundlage dieser Erkennungen kann ein System zur Prüfung der Planogrammkonformität die Produktpositionen im Regal abbilden und mit den vorgesehenen Layouts vergleichen. Mit diesem Ansatz können Händler über manuelle Prüfungen hinausgehen und Regale kontinuierlich auf Filialebene überwachen.

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

Funktionsweise der KI-gestützten Erkennung der Planogrammkonformität#

Bevor wir uns ansehen, wie du Ultralytics YOLO26 für die Erkennung der Planogrammkonformität einsetzt, betrachten wir zunächst, wie Produkterkennung und Layoutvergleich in diesen Systemen zusammenwirken.

Ein System zur Prüfung der Planogrammkonformität arbeitet typischerweise in zwei Hauptphasen. Zunächst analysiert ein Modell wie Ultralytics YOLO26 Regalbilder, um Produkte zu erkennen und zu klassifizieren. Zusammen mit jeder Erkennung liefert das Modell Positionsinformationen, die zeigen, wo jedes Produkt im Regal erscheint.

Anschließend werden diese Erkennungen in einer strukturierten Regalaufteilung angeordnet. Die Produkte werden anhand ihrer Position gruppiert, normalerweise in Regalreihen, um ihre Anordnung in der realen Welt abzubilden.

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

Diese strukturierte Aufteilung wird anschließend mit dem vorgesehenen Planogramm verglichen. Das System prüft, ob die richtigen SKU an den richtigen Positionen stehen, ob die erforderliche Anzahl an Facing beibehalten wird und ob Produkte fehlen oder falsch platziert sind.

Durch die Kombination von Produkterkennung und Layoutvergleich kann das System Unterschiede zwischen der vorgesehenen und der tatsächlichen Regalaufteilung identifizieren. Die Ergebnisse können als Konformitätsberichte oder Dashboards dargestellt werden, die Probleme auf Filialebene hervorheben.

Dadurch können Filialteams schnell nachvollziehen, was nicht stimmt, Korrekturmaßnahmen ergreifen und eine einheitliche Umsetzung im Einzelhandel sicherstellen.

Datensatz für ein System zur Prüfung der Planogrammkonformität vorbereiten#

Der erste Schritt beim Aufbau eines Systems zur Prüfung der Planogrammkonformität ist die Vorbereitung eines gut strukturierten Datensatzes. Dazu werden Regalbilder aus verschiedenen Einzelhandelsumgebungen gesammelt. Die Qualität und Vielfalt dieser Daten wirken sich direkt auf die Modellleistung aus.

Öffentliche Datensätze können ebenfalls als Ausgangspunkt dienen. Da sich Ladenlayouts, Produktsortimente und Regalaufteilungen jedoch je nach Händler unterscheiden, entsprechen sie häufig nicht vollständig den Bedingungen in der Praxis.

Für eine zuverlässige Leistung ist es normalerweise notwendig, einen auf die Zielumgebung zugeschnittenen benutzerdefinierten Datensatz zu erstellen. Die Daten können mit Regalbildern gesammelt werden, die an verschiedenen Einzelhandelsstandorten durch Kameras im Geschäft oder mobile Geräte aufgenommen wurden.

Zusätzlich zu realen Daten können simulierte Regalszenarien genutzt werden, um kontrollierte Situationen zu erzeugen. Die Kombination beider Ansätze ermöglicht eine zuverlässigere Leistung des Modells in unterschiedlichen Geschäftsumgebungen.

Es ist außerdem entscheidend, unterschiedliche reale Bedingungen im Geschäft zu erfassen, etwa Änderungen an Layouts, Regalaufteilungen, Produktplatzierungen, Beleuchtung, Kamerawinkeln und Regalorganisation. Durch das Sammeln vielfältiger und realistischer Daten kann das Modell lernen, auf verschiedene Geschäfte zu generalisieren und eine präzise Erkennung der Planogrammkonformität im großen Maßstab zu unterstützen.

Überblick über die Annotation eines Einzelhandelsdatensatzes#

Sobald die Daten gesammelt sind, folgt die Annotation. Jedes Produkt in einem Bild wird durch das Zeichnen von Begrenzungsrahmen markiert, damit das Modell lernen kann, verschiedene SKU zu erkennen.

Bei der Annotation ist es wichtig, klare Klassen zu definieren. Dies kann je nach Planogramm auf unterschiedlichen Detaillierungsstufen erfolgen.

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

Werkzeuge 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 können, die anschließend geprüft und verfeinert werden. So lassen sich Geschwindigkeit und Einheitlichkeit verbessern.

Ultralytics YOLO26 für die Produkterkennung trainieren#

Sobald der Datensatz vorbereitet und annotiert ist, besteht der nächste Schritt darin, YOLO26 für die Erkennung von Produkten in Einzelhandelsregalen zu trainieren. 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 Arbeitsabläufe. Ebenso stellt die Ultralytics Platform eine einheitliche Umgebung bereit, in der du Annotationen verwalten, Datensätze organisieren, das Training konfigurieren, Experimente ausführen und Ergebnisse über ein einziges Dashboard überwachen kannst.

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

Vor Beginn des Trainings solltest du außerdem einige wichtige Faktoren berücksichtigen:

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

Nach Abschluss des Trainings kann das Modell anhand von Metriken wie Präzision, Trefferquote und mAP (mittlere durchschnittliche Präzision) bewertet werden. Mit diesen Metriken kannst du messen, wie präzise das Modell Produkte erkennt und wie gut es Fehler vermeidet.

Wenn die Leistung des Modells nicht ausreicht, können der Datensatz und die Trainingseinstellungen verbessert werden. Dazu können die Anwendung von Datenerweiterung, das Hinzufügen vielfältigerer Bilder oder der Ausgleich von Klassen gehören, wenn einige SKU weniger häufig vorkommen.

Logik für die Prüfung der Planogrammkonformität integrieren#

Nach dem Training und der Bewertung eines Modells besteht der nächste Schritt darin, die Logik für die Prüfung der Planogrammkonformität zu entwickeln. Dazu werden die Regaldaten strukturiert und mit der vorgesehenen Anordnung verglichen.

Hier ein Überblick über den Ablauf:

• Vorgesehene Regalaufteilung definieren: Zunächst wird die vorgesehene Regalaufteilung anhand des Planogramms definiert und als strukturiertes Raster mit Zeilen und Spalten dargestellt. Jede Position im Raster entspricht einer bestimmten SKU und bildet ab, wie die Produkte im Regal angeordnet sein sollen.
• Erkannte Produkte organisieren: Anschließend werden die Erkennungen des Modells anhand ihrer Position im Regal angeordnet. Mithilfe ihrer Koordinaten werden die Produkte sortiert und zu Regalreihen gruppiert, wodurch aus den Rohdaten eine strukturierte Darstellung der tatsächlichen Regalaufteilung entsteht.
• Vorgesehene und tatsächliche Layouts vergleichen: Als Nächstes wird die strukturierte Regalaufteilung mit dem vorgesehenen Planogramm verglichen, um Unterschiede zu erkennen. Wenn ein erkanntes Produkt nicht der erwarteten SKU entspricht, wird es als falsch platziert markiert. Fehlt ein Produkt an einer Position, wird diese als fehlend gekennzeichnet. Dieser Schritt kann auch dazu dienen, zu überprüfen, ob die erforderliche Anzahl an Facing beibehalten wird.
• Konformitätsergebnisse erstellen: Abschließend kann für jedes Regal ein Konformitätsbericht erstellt werden, der Verstöße, Abweichungen und Unstimmigkeiten hervorhebt. Diese Ergebnisse können über Dashboards geteilt werden, damit Teams Probleme schnell erkennen und beheben können.

Vision-Modell für die Prüfung der Planogrammkonformität bereitstellen#

Nachdem eine Lösung entwickelt wurde, die Produkterkennung und Konformitätslogik integriert, besteht der nächste Schritt in ihrer Bereitstellung in einer Einzelhandelsumgebung. Abhängig vom Anwendungsfall und der Infrastruktur stehen dafür verschiedene Optionen zur Verfügung.

Eine Möglichkeit besteht darin, das Modell auf Edge-Geräten bereitzustellen, etwa auf Servern im Geschäft oder eingebetteter Hardware. Diese Systeme werden in der Nähe der Kameras platziert, sodass Regalbilder direkt am Aufnahmeort verarbeitet werden können. Dies ermöglicht kurze Latenzzeiten und eine Überwachung in Echtzeit.

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

Im Ultralytics-Ökosystem gibt es mehrere Optionen für diese unterschiedlichen Bereitstellungsszenarien. Mit dem Ultralytics Python-Paket können trainierte YOLO26-Modelle exportiert werden, etwa in Formate wie ONNX, TensorRT oder CoreML.

Dadurch können Modelle je nach Anforderungen an die Bereitstellung auf einer Vielzahl von Hardwareplattformen ausgeführt werden, darunter Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), Mobilgeräte und eingebettete Systeme.

Die Ultralytics Platform bietet zudem integrierte Bereitstellungsoptionen, die Tests, Integration und die Bereitstellung im Produktivbetrieb vereinfachen. Modelle können direkt im Browser getestet, mithilfe gemeinsamer Inferenz-APIs in Anwendungen integriert oder für eine skalierbare Nutzung im Produktivbetrieb an dedizierten Endpunkten bereitgestellt werden.

Sie unterstützt außerdem den Export von Modellen für die Ausführung auf externen Systemen oder Edge-Geräten und erleichtert so den Übergang von der Entwicklung zur praktischen Bereitstellung. Zusätzlich umfasst die Plattform Überwachungswerkzeuge, mit denen du die Leistung nach der Bereitstellung verfolgen und langfristig einen zuverlässigen Betrieb sicherstellen kannst.

Vorteile von Vision-KI für die Erkennung der Planogrammkonformität#

Hier sind einige der wichtigsten Vorteile, wenn du mit Ultralytics YOLO26 ein System zur Prüfung der Planogrammkonformität aufbaust:

• Anpassbar an verschiedene Einzelhandelsumgebungen: Ultralytics YOLO26 kann mit neuen Daten erneut trainiert oder feinjustiert werden und lässt sich dadurch an unterschiedliche Ladenlayouts, Produktsortimente und regionale Besonderheiten anpassen.
• Optimiert datengestützte Entscheidungsfindung: Konformitätsdaten können geschäftsübergreifend zusammengeführt werden, um Trends zu erkennen, die Leistung zu messen und Strategien im Einzelhandel zu verbessern.
• Kontinuierliche Überwachung in Echtzeit: Ultralytics YOLO26 ist für Inferenz mit kurzer Latenz optimiert und ermöglicht die kontinuierliche Analyse von Regalbildern sowie die Erkennung von Änderungen an der Produktplatzierung in Echtzeit auf Edge-Geräten.
• Integration in Einzelhandelssysteme: Ein von Ultralytics YOLO26 unterstütztes System zur Erkennung der Planogrammkonformität kann in Bestands-, Kassensystem- (POS) oder Analysesysteme integriert werden, um einen umfassenderen Überblick über die Leistung eines Geschäfts zu ermöglichen.

Wichtige Erkenntnisse#

Die Planogrammkonformität ist entscheidend, um eine korrekte Produktplatzierung und einheitliche Abläufe im Einzelhandel sicherzustellen. Durch die Kombination von Produkterkennung und Layoutvergleich können Geschäfte manuelle Prüfungen reduzieren und Regale genauer kontrollieren. Mit Modellen wie Ultralytics YOLO26 lassen sich solche Systeme in mehreren Geschäften einsetzen und bessere Entscheidungen auf Grundlage von Daten auf Filialebene unterstützen.

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