Descubre cómo crear un sistema de control del cumplimiento de los planogramas utilizando modelos de IA de visión artificial, como Ultralytics , para detect productos detect y automatizar las comprobaciones de los estantes en las tiendas.
A todos nos ha pasado alguna vez entrar en una tienda para comprar algo, como pan o cereales, pasar unos minutos echando un vistazo a las estanterías y darnos cuenta de que no lo encontramos. A veces está en el lugar equivocado, otras veces está agotado y otras simplemente se confunde con el resto de productos de la estantería.
Para los comercios minoristas, colocar los productos en el lugar adecuado es más importante de lo que podría parecer. Influye en la facilidad con la que los clientes encuentran los artículos y puede repercutir directamente en las ventas y en la satisfacción general de los clientes. Para gestionarlo, las tiendas utilizan un planograma, un sencillo esquema que muestra dónde debe colocarse cada producto en una estantería.
El cumplimiento del planograma es el proceso de comprobar si la disposición real de las estanterías se ajusta a la prevista. En muchas tiendas, esto todavía se lleva a cabo mediante auditorías manuales y listas de verificación, lo que puede resultar lento y dar lugar a resultados inconsistentes.
Incluso pequeñas discrepancias, como SKU (códigos de referencia) mal asignados, precios incorrectos o productos agotados, pueden marcar la diferencia. Los SKU son códigos únicos que se utilizan para identificar y track las track variantes de un producto, como los diferentes tamaños o sabores. Estos problemas reducen la disponibilidad en las estanterías y pueden provocar una pérdida de ventas.
Por eso, los minoristas recurren cada vez más a la visión artificial y al reconocimiento de imágenes. Estas tecnologías de inteligencia artificial pueden analizar las imágenes de las estanterías captadas por las cámaras de la tienda, detect automáticamente detect y comprobar si están colocados correctamente. Los modelos de visión artificial basados en IA, como Ultralytics , hacen que este proceso sea rápido, preciso y fácil de aplicar en entornos reales de tienda.
En este artículo, veremos paso a paso cómo crear un sistema de detección de incumplimientos de planogramas utilizando Ultralytics . ¡Empecemos!
El cumplimiento del planograma contribuye a mantener la coherencia en la disposición de la tienda, garantiza la precisión en los precios y las promociones, mejora la gestión del inventario y facilita a los clientes la localización de los productos en las estanterías.
Se refiere a la disposición de los productos según una disposición predefinida o un planograma. Esta disposición define dónde debe colocarse cada producto, cuántas caras debe tener (el número de productos situados en la parte frontal de la estantería y visibles para los clientes) y qué productos deben colocarse uno al lado del otro.
Tanto los minoristas como las marcas de productos de consumo envasados (CPG) recurren a los planogramas. Los minoristas los utilizan para organizar las estanterías y mantener la coherencia entre las distintas tiendas, mientras que las marcas de productos de consumo envasados los utilizan para garantizar que sus productos se expongan correctamente y obtengan la visibilidad adecuada.
El proceso de auditoría de planogramas consiste en comparar la disposición real de las estanterías con la disposición prevista. Esto implica comprobar si las referencias correctas se encuentran en las posiciones adecuadas y si se mantiene el número requerido de frentes de producto.
Quizá te preguntes si la ubicación de un producto en una estantería realmente marca la diferencia. Pero cuando los productos se parecen entre sí, incluso pequeños errores de ubicación pueden hacer que los artículos sean más difíciles de encontrar o que los clientes se confundan.
Esto puede afectar a la precisión de los precios y a las decisiones de los clientes. Cumplir con las normas permite mantener las estanterías ordenadas y mejora la experiencia del cliente.
Tradicionalmente, las tiendas minoristas han garantizado el cumplimiento de los planogramas mediante auditorías manuales y listas de comprobación. El personal de la tienda inspecciona la disposición de las estanterías, comprueba la ubicación y la orientación de los productos y anota sus observaciones.
Sin embargo, este proceso puede llevar mucho tiempo, resulta difícil de aplicar a múltiples tiendas y, a menudo, da lugar a inconsistencias en la forma en que se realizan los controles. El sector minorista está adoptando rápidamente la visión artificial, un campo de la inteligencia artificial que permite a los sistemas analizar y comprender imágenes, para gestionar mejor estos controles de cumplimiento.
Estos sistemas utilizan cámaras para capturar imágenes de los estantes y las procesan mediante modelos entrenados para reconocer productos concretos. Los modelos de visión artificial, como Ultralytics , permiten realizar tareas como la detección de objetos y la segmentación de instancias, lo que hace posible identificar y localizar con precisión los productos en los estantes de las tiendas.
El uso de YOLO26 para este caso concreto también resulta sencillo, ya que está disponible de forma inmediata como modelo preentrenado, lo que ofrece un buen punto de partida, y puede entrenarse de forma personalizada con datos de estanterías de tiendas para reconocer productos específicos.
A partir de estas detecciones, un sistema de control del cumplimiento de los planogramas puede mapear la ubicación de los productos en las estanterías y compararla con la disposición prevista. Con este enfoque, los minoristas pueden ir más allá de las comprobaciones manuales y supervisar las estanterías de forma continua a nivel de tienda.
Pueden detect a nivel de SKU, identificar errores de colocación y mejorar la disponibilidad en las estanterías y la ejecución general.
Antes de profundizar en cómo utilizar YOLO26 para detectar el cumplimiento de los planogramas, demos un paso atrás y veamos cómo se combinan la detección de productos y la comparación de disposiciones en estos sistemas.
Un sistema de cumplimiento de planogramas suele funcionar en dos fases principales. En primer lugar, un modelo como Ultralytics analiza las imágenes de los estantes para detect classify . Junto con cada detección, el modelo proporciona información sobre la ubicación que indica dónde se encuentra cada producto en el estante.
A continuación, estas detecciones se organizan en una disposición estructurada de estanterías. Los productos se agrupan en función de su ubicación, normalmente en filas de estanterías, para reflejar la forma en que se disponen los artículos en el mundo real.
A continuación, este diseño estructurado se compara con el planograma previsto. El sistema comprueba si las referencias correctas se encuentran en las posiciones adecuadas, si se mantiene el número requerido de expositores y si falta algún producto o si alguno está mal colocado.
Al combinar la detección de productos con la comparación de la disposición, el sistema puede identificar diferencias entre la disposición prevista y la real de los estantes. Los resultados pueden presentarse en forma de informes de cumplimiento o paneles de control que destaquen los problemas a nivel de tienda.
Esto permite a los equipos de las tiendas identificar rápidamente el problema, tomar medidas correctivas y garantizar una ejecución coherente de las actividades de venta al por menor.
El primer paso para crear un sistema de cumplimiento de planogramas consiste en preparar un conjunto de datos bien estructurado. Esto implica recopilar imágenes de estanterías de diferentes entornos minoristas. La calidad y la diversidad de estos datos influyen directamente en el rendimiento del modelo.
Los conjuntos de datos públicos también pueden servir como punto de partida. Sin embargo, dado que la distribución de las tiendas, el surtido de productos y la disposición de los estantes varían según el minorista, a menudo no se ajustan del todo a las condiciones reales.
Para garantizar un rendimiento fiable, suele ser necesario crear un conjunto de datos personalizado que se adapte al entorno de la tienda en cuestión. Los datos se pueden recopilar mediante fotografías de los estantes tomadas con cámaras instaladas en la tienda o con dispositivos móviles en diferentes establecimientos minoristas.
Además de los datos del mundo real, se pueden utilizar configuraciones simuladas de estanterías para crear escenarios controlados. La combinación de ambos permite que el modelo funcione de forma más fiable en distintos entornos de tienda.
También es fundamental registrar las distintas condiciones reales de las tiendas, como los cambios en la distribución, la disposición de las estanterías, la ubicación de los productos, la iluminación, los ángulos de las cámaras y la organización de las estanterías. Al recopilar datos diversos y realistas, el modelo puede aprender a generalizar entre tiendas y facilitar una detección precisa del cumplimiento de los planogramas a gran escala.
Una vez recopilados los datos, el siguiente paso es la anotación. Cada producto de una imagen se etiqueta dibujando un rectángulo de delimitación a su alrededor, de modo que el modelo pueda aprender a reconocer las diferentes referencias.
Al etiquetar, es importante definir categorías claras. Esto se puede hacer con distintos niveles de detalle, dependiendo del planograma.
A nivel de SKU, cada variante de producto —como una marca, un tamaño o un sabor concretos— se identifica por separado. A nivel de categoría, se pueden agrupar productos similares, como todos los refrescos o todos los aperitivos.
Herramientas como la Ultralytics , un entorno integral para la gestión de conjuntos de datos, la anotación, el entrenamiento y la implementación, pueden simplificar este proceso. Admite tanto la anotación manual como el etiquetado asistido por IA, en el que los modelos pueden sugerir anotaciones que se pueden revisar y perfeccionar, lo que contribuye a mejorar la rapidez y la coherencia.
Una vez preparado y etiquetado el conjunto de datos, el siguiente paso es entrenar a YOLO26 para que detect en las estanterías de las tiendas. Esto se puede hacer utilizando el Python Ultralytics o Ultralytics .
Python Ultralytics ofrece flexibilidad para crear procesos personalizados e integrar el entrenamiento en los flujos de trabajo existentes. Del mismo modo, la Ultralytics proporciona un entorno unificado en el que se puede gestionar la anotación, administrar conjuntos de datos, configurar el entrenamiento, ejecutar experimentos y supervisar los resultados desde un único panel de control.
Además, ofrece GPU en la nube para un entrenamiento escalable y facilita la implementación, lo que reduce la necesidad de configurar la infraestructura o gestionar las dependencias.
Antes de empezar a entrenar, hay otros factores clave que debes tener en cuenta:
Una vez finalizado el entrenamiento, el modelo puede evaluarse mediante métricas como la precisión, el recall y mAP precisión media). Estas métricas permiten medir la precisión con la que el modelo detecta los productos y su capacidad para evitar errores.
Si el rendimiento del modelo no es lo suficientemente bueno, se puede mejorar el conjunto de datos y la configuración del entrenamiento. Esto puede incluir aplicar técnicas de aumento de datos, añadir imágenes más variadas o equilibrar las clases en las que algunas referencias aparecen con menos frecuencia.
El siguiente paso tras entrenar y evaluar un modelo es desarrollar la lógica que realiza las comprobaciones de cumplimiento del planograma. Esto implica estructurar los datos de las estanterías y compararlos con la disposición prevista.
A continuación te ofrecemos una descripción general de cómo funciona este proceso:
Una vez desarrollada una solución que integra la detección de productos y la lógica de cumplimiento normativo, el siguiente paso es implementarla en el entorno de una tienda minorista. A la hora de abordar la implementación, hay varias opciones que se deben tener en cuenta, dependiendo del caso de uso y de la infraestructura.
Una opción es implementar el modelo en dispositivos periféricos, como servidores en las tiendas o hardware integrado. Estos sistemas se colocan cerca de las cámaras para que las imágenes de las estanterías se puedan procesar en el mismo lugar donde se capturan, lo que permite una baja latencia y una supervisión en tiempo real.
Otra opción es la implementación basada en la nube, en la que las imágenes se envían a servidores remotos para su procesamiento. Esto puede facilitar la gestión y la ampliación de las implementaciones en múltiples ubicaciones, especialmente cuando se requiere una supervisión centralizada.
Dentro del Ultralytics , existen varias opciones que admiten estos distintos escenarios de implementación. Por ejemplo, utilizando elPython Ultralytics , los modelos YOLO26 entrenados se pueden exportar a diferentes formatos, como ONNX, TensorRT o CoreML.
Esto permite ejecutar modelos en una amplia variedad de equipos, incluyendo unidades de procesamiento gráfico (GPU), unidades centrales de procesamiento (CPU), dispositivos móviles y sistemas integrados, en función de las necesidades de implementación.
Por otra parte, la Ultralytics ofrece opciones de implementación integradas que simplifican las pruebas, la integración y la implementación en producción. Los modelos pueden probarse directamente en el navegador, integrarse en aplicaciones mediante API de inferencia compartidas o implementarse en terminales dedicados para un uso en producción escalable.
Además, permite exportar modelos para ejecutarlos en sistemas externos o dispositivos periféricos, lo que facilita la transición del desarrollo a la implementación en entornos reales. Por otra parte, la plataforma incluye herramientas de supervisión que ayudan track tras la implementación y garantizan un funcionamiento fiable a lo largo del tiempo.
Estas son algunas de las principales ventajas de utilizar YOLO26 para crear un sistema de cumplimiento de planogramas:
El cumplimiento del planograma es fundamental para mantener una colocación precisa de los productos y unas operaciones minoristas coherentes. Al combinar la detección de productos con la comparación de la disposición, las tiendas pueden reducir las auditorías manuales y revisar las estanterías con mayor precisión. Con modelos como YOLO26, estos sistemas pueden utilizarse en múltiples tiendas y también permiten tomar mejores decisiones basándose en datos a nivel de tienda.
¿Quieres incorporar la IA de visión artificial a tus proyectos? Únete a nuestra activa comunidad y descubre cómo se aplica la IA de visión artificial en el sector minorista y la visión artificial en la robótica. Explora nuestro repositorio de GitHub para obtener más información. ¡Echa un vistazo a nuestras opciones de licencia para empezar!
Comience su viaje con el futuro del aprendizaje automático
