Usar Ultralytics YOLO26 para la detección de cumplimiento de planogramas

Todos hemos entrado alguna vez en una tienda para comprar algo como pan o cereales, hemos pasado unos minutos escaneando los estantes y, al final, nos hemos dado cuenta de que no lo encontramos. A veces está en el lugar equivocado, a veces no hay existencias y otras veces simplemente se confunde con todo lo demás en el estante.

Para los minoristas, mantener los productos en el lugar correcto es más importante de lo que parece. Afecta a la facilidad con la que los clientes pueden encontrar los artículos y puede repercutir directamente en las ventas y en la satisfacción general del cliente. Para gestionar esto, las tiendas utilizan un planograma, un diseño sencillo que muestra dónde debe colocarse cada producto en un estante.

El cumplimiento del planograma es el proceso de comprobar si el estante real coincide con el diseño esperado. En muchas tiendas, esto sigue haciéndose mediante auditorías manuales y listas de comprobación, lo que puede llevar mucho tiempo y resultar incoherente.

Fig 1. Un planogram frente a un estante real (realogram) con resultados de detección de cumplimiento (Fuente)

Incluso pequeñas discrepancias como SKUs (unidades de mantenimiento de existencias) mal colocados, precios incorrectos o productos agotados pueden marcar la diferencia. Los SKUs son códigos únicos que se utilizan para identificar y realizar el seguimiento de variantes individuales de productos, como diferentes tamaños o sabores. Estos problemas reducen la disponibilidad en el estante y pueden provocar pérdidas de ventas.

Por eso los minoristas recurren cada vez más a la computer vision y al reconocimiento de imágenes. Estas tecnologías de IA pueden analizar imágenes de estantes capturadas por cámaras en la tienda, detectar automáticamente los productos y comprobar si están colocados correctamente. Los modelos de Vision AI como Ultralytics YOLO26 hacen que este proceso sea rápido, preciso y práctico de usar en entornos de tiendas reales.

En este artículo, explicaremos cómo crear un sistema de detección de cumplimiento de planogramas utilizando Ultralytics YOLO26. ¡Empecemos!

¿Qué es el cumplimiento de planogramas?#

El cumplimiento del planogram ayuda a mantener la coherencia en la disposición de las tiendas, respalda precios y promociones precisos, mejora la inventory management y facilita que los clientes encuentren los productos en el estante.

Se refiere a la disposición de los productos siguiendo un diseño predefinido o un planograma. Este diseño define dónde debe colocarse cada producto, cuántos frontales debe tener (el número de productos colocados en la parte frontal del estante y visibles para los clientes) y qué productos deben estar situados uno al lado del otro.

Tanto los minoristas como las marcas de bienes de consumo envasados (CPG) dependen de los planogramas. Los minoristas los utilizan para organizar los estantes y mantener la coherencia en todas las tiendas, mientras que las marcas de CPG los utilizan para garantizar que sus productos se muestren correctamente y obtengan la visibilidad adecuada.

Fig 2. Una vista de un planogram coincidiendo con la disposición real de un estante (Fuente)

El proceso de auditoría de planogramas consiste en comparar un estante real con el diseño esperado. Esto incluye comprobar si los SKUs correctos están en las posiciones adecuadas y si se mantiene el número requerido de frontales.

Quizá te preguntes si la colocación de un producto en un estante marca realmente la diferencia. Pero cuando los productos se parecen, incluso pequeños errores de colocación pueden hacer que sea más difícil encontrar los artículos o confundir a los clientes.

Esto puede afectar a la precisión de los precios y a las decisiones de los clientes. Mantener el cumplimiento mantiene los estantes organizados y mejora la experiencia del cliente.

Uso de visión artificial para el cumplimiento de planogramas#

Tradicionalmente, las retail stores han mantenido el cumplimiento del planogram mediante auditorías manuales y listas de comprobación. El personal de la tienda inspecciona la disposición de los estantes, verifica la colocación y orientación de los productos y registra las observaciones.

Sin embargo, este proceso puede llevar mucho tiempo, ser difícil de escalar a varias tiendas y a menudo conduce a incoherencias en la forma de realizar las comprobaciones. 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 estas comprobaciones de cumplimiento.

Estos sistemas utilizan cámaras para capturar imágenes de los estantes y las procesan mediante modelos entrenados para reconocer productos individuales. Los modelos de computer vision como Ultralytics YOLO26 admiten tareas de visión como la detección de objetos y la segmentación de instancias, lo que permite identificar y ubicar con precisión los productos en los estantes de las tiendas.

Fig 3. Un ejemplo de uso de YOLO26 para detectar y segmentar productos en un estante de tienda (Fuente)

Usar Ultralytics YOLO26 para este caso de uso también es sencillo, ya que está disponible de serie como un modelo preentrenado, lo que proporciona un sólido punto de partida, y se puede entrenar de forma personalizada con datos de estantes minoristas para reconocer productos específicos.

Basándose en estas detecciones, un sistema de detección de cumplimiento de planogramas puede asignar las posiciones de los productos en el estante y compararlas con los diseños esperados. Con este enfoque, los minoristas pueden ir más allá de las comprobaciones manuales y controlar los estantes de forma continua a nivel de tienda.

Pueden detectar productos a nivel de SKU, identificar errores de colocación y mejorar la disponibilidad en el estante y la ejecución general.

Comprender cómo funciona la detección de cumplimiento de planogramas mediante IA#

Antes de sumergirnos en cómo usar Ultralytics YOLO26 para la detección de cumplimiento de planogramas, demos un paso atrás y entendamos cómo se combinan la detección de productos y la comparación de diseños en estos sistemas.

Un sistema de cumplimiento de planogramas funciona normalmente en dos etapas principales. En primer lugar, un modelo como Ultralytics YOLO26 analiza las imágenes de los estantes para detectar y clasificar los productos. Junto con cada detección, el modelo proporciona información de ubicación que muestra dónde aparece cada producto en el estante.

A continuación, estas detecciones se organizan en un diseño de estante estructurado. Los productos se agrupan en función de sus posiciones, normalmente en filas de estantes, para reflejar cómo están dispuestos los artículos en el mundo real.

Fig 4. Ultralytics YOLO26 puede permitir el cumplimiento de planogramas. (Fuente)

A continuación, este diseño estructurado se compara con el planograma esperado. El sistema comprueba si los SKUs correctos están en las posiciones adecuadas, si se mantiene el número necesario de frontales y si falta algún producto o está mal colocado.

Al combinar la detección de productos con la comparación de diseños, el sistema puede identificar las diferencias entre la disposición esperada y la real del estante. Los resultados pueden presentarse como informes de cumplimiento o paneles de control que destaquen los problemas a nivel de tienda.

Esto facilita que los equipos de la tienda comprendan rápidamente qué va mal, tomen medidas correctivas y mantengan una ejecución minorista coherente.

Preparación de un conjunto de datos para crear un sistema de cumplimiento de planogramas#

El primer paso para crear un sistema de cumplimiento de planogramas es preparar un conjunto de datos bien estructurado. Esto implica recopilar imágenes de estantes de diferentes entornos minoristas. La calidad y la diversidad de estos datos afectan directamente al rendimiento del modelo.

También se pueden utilizar conjuntos de datos públicos como punto de partida. Sin embargo, dado que los diseños de las tiendas, el surtido de productos y la disposición de los estantes varían de un minorista a otro, a menudo no coinciden totalmente con las condiciones del mundo real.

Para obtener un rendimiento fiable, suele ser necesario crear un conjunto de datos personalizado adaptado al entorno de la tienda objetivo. Los datos pueden recopilarse utilizando fotos de los estantes captadas por cámaras dentro de la tienda o dispositivos móviles en diferentes ubicaciones minoristas.

Además de los datos del mundo real, se pueden utilizar configuraciones simuladas de estantes para crear escenarios controlados. Combinar ambos permite que un modelo funcione de forma más fiable en diferentes entornos de tienda.

También es crucial capturar diferentes condiciones reales de la tienda, como cambios en los diseños, disposiciones de los estantes, colocación de productos, iluminación, ángulos de cámara y organización de los estantes. Al recopilar datos diversos y realistas, el modelo puede aprender a generalizar entre tiendas y admitir una detección precisa del cumplimiento de planogramas a escala.

Descripción general del etiquetado de un conjunto de datos minorista#

Una vez recopilados los datos, el siguiente paso es la anotación. Cada producto de una imagen se etiqueta dibujando cajas delimitadoras a su alrededor para que el modelo pueda aprender a reconocer diferentes SKUs.

Durante el etiquetado, es importante definir clases claras. Esto puede hacerse con distintos niveles de detalle, dependiendo del planograma.

A nivel de SKU, cada variante de producto, como una marca, tamaño o sabor específicos, se etiqueta por separado. A nivel de categoría, se pueden agrupar productos similares, como todos los refrescos o todos los aperitivos.

Herramientas como el Ultralytics Platform, un entorno integral para gestionar conjuntos de datos, anotación, entrenamiento y despliegue, pueden simplificar este proceso. Admite tanto la anotación manual como el etiquetado asistido por IA, donde los modelos pueden sugerir anotaciones que se pueden revisar y refinar, ayudando a mejorar la velocidad y la coherencia.

Entrenamiento de Ultralytics YOLO26 para la detección de productos#

Una vez que el conjunto de datos está preparado y etiquetado, el siguiente paso es entrenar YOLO26 para detectar productos en los estantes de las tiendas. Esto se puede hacer utilizando el Ultralytics Python package o Ultralytics Platform.

El paquete de Python de Ultralytics ofrece flexibilidad para crear flujos de trabajo personalizados e integrar el entrenamiento en los flujos existentes. Del mismo modo, Ultralytics Platform proporciona un entorno unificado donde puedes gestionar anotaciones, gestionar conjuntos de datos, configurar el entrenamiento, realizar experimentos y supervisar los resultados desde un único panel de control.

También ofrece opciones de GPU en la nube para un entrenamiento escalable y admite la implementación, reduciendo la necesidad de configurar infraestructuras o gestionar dependencias.

Antes de comenzar el entrenamiento, aquí tienes otros factores clave a tener en cuenta:

• División del conjunto de datos: El conjunto de datos debe dividirse en conjuntos de entrenamiento, validación y prueba. Esto ayuda a evaluar lo bien que generaliza el modelo ante nuevos datos y evita el sobreajuste.
• Selección de modelos: Los modelos de Ultralytics YOLO26 vienen en diferentes tamaños, lo que te permite equilibrar la velocidad y la precisión según tus necesidades de implementación.
• Configuración del entrenamiento: Parámetros como el tamaño del lote, el tamaño de la imagen y el número de épocas pueden afectar tanto a la velocidad de entrenamiento como al rendimiento del modelo.

Una vez completado el entrenamiento, el modelo puede evaluarse utilizando métricas como la precisión, el recuerdo y el mAP (precisión media media). Estas métricas te permiten medir con qué precisión detecta el modelo los productos y con qué eficacia evita los errores.

Si el rendimiento del modelo no es lo suficientemente bueno, se pueden mejorar el conjunto de datos y la configuración del entrenamiento. Esto puede incluir la aplicación de aumento de datos, la adición de imágenes más diversas o el equilibrio de clases en las que algunos SKUs aparezcan con menos frecuencia.

Integración de la lógica de cumplimiento de planogramas#

El siguiente paso tras entrenar y evaluar un modelo es construir la lógica que realiza las comprobaciones de cumplimiento del planograma. Esto implica estructurar los datos del estante y compararlos con el diseño esperado.

Aquí tienes una visión general de cómo funciona este proceso:

• Definir el diseño esperado del estante: En primer lugar, se define el diseño esperado del estante utilizando el planograma y se representa como una cuadrícula estructurada con filas y columnas. Cada posición de la cuadrícula corresponde a un SKU específico, lo que refleja cómo deben estar dispuestos los productos en el espacio del estante.
• Organizar los productos detectados: A continuación, las detecciones del modelo se organizan en función de su posición en el estante. Utilizando sus coordenadas, los productos se ordenan y agrupan en filas de estantes, convirtiendo las detecciones sin procesar en un diseño estructurado que refleja la disposición real del estante.
• Comparar los diseños esperados y reales: A continuación, se compara el diseño estructurado del estante con el planograma esperado para identificar diferencias. Si un producto detectado no coincide con el SKU esperado, se marca como mal colocado. Si falta un producto en una posición, se marca como ausente. Este paso también puede utilizarse para verificar si se mantiene el número requerido de frontales.
• Generar resultados de cumplimiento: Finalmente, se puede producir un informe de cumplimiento para cada estante, destacando el incumplimiento, las desviaciones y las discrepancias. Estos resultados pueden compartirse a través de paneles de control para ayudar a los equipos a identificar y solucionar problemas rápidamente.

Implementación de un modelo de visión para el cumplimiento de planogramas#

Después de crear una solución que integre la detección de productos y la lógica de cumplimiento, el siguiente paso es implementarla en un entorno de tienda minorista. Hay varias opciones a considerar al abordar la implementación, dependiendo del caso de uso y la infraestructura.

Una opción es implementar el modelo en dispositivos de borde, como servidores en la tienda o hardware integrado. Estos sistemas se colocan cerca de las cámaras para que las imágenes de los estantes puedan procesarse donde se captan, lo que permite una baja latencia y una supervisión en tiempo real.

Otra opción es la implementación basada en la nube, donde las imágenes se envían a servidores remotos para su procesamiento. Esto puede facilitar la gestión y el escalado de las implementaciones en múltiples ubicaciones, especialmente cuando se requiere una supervisión centralizada.

Dentro del ecosistema Ultralytics, existen varias opciones que admiten estos diferentes escenarios de despliegue. Por ejemplo, utilizando el Ultralytics Python package, los este models can be exported de YOLO26 entrenados a diferentes formatos como ONNX, TensorRT o CoreML.

Esto hace posible ejecutar modelos en una amplia gama de hardware, incluyendo unidades de procesamiento gráfico (GPUs), unidades centrales de procesamiento (CPUs), dispositivos móviles y sistemas integrados, dependiendo de las necesidades de implementación.

Por su parte, el Ultralytics Platform proporciona deployment options integradas que simplifican las pruebas, la integración y el despliegue en producción. Los modelos se pueden probar directamente en el navegador, integrarse en aplicaciones mediante API de inferencia compartidas o desplegarse en puntos de conexión dedicados para un uso escalable en producción.

También admite la exportación de modelos para su ejecución en sistemas externos o dispositivos de borde, lo que facilita el paso del desarrollo a la implementación en el mundo real. Además, la plataforma incluye herramientas de supervisión que ayudan a realizar un seguimiento del rendimiento tras la implementación y garantizan un funcionamiento fiable a lo largo del tiempo.

Ventajas de utilizar IA de visión para la detección de cumplimiento de planogramas#

Aquí tienes algunas de las principales ventajas de usar Ultralytics YOLO26 para construir un sistema de cumplimiento de planogramas:

• Adaptable a diferentes entornos comerciales: Ultralytics YOLO26 se puede reentrenar o ajustar con nuevos datos, lo que lo hace adaptable a diferentes diseños de tiendas, surtidos de productos y variaciones regionales.
• Optimiza la toma de decisiones basada en datos: Los datos de cumplimiento pueden agregarse entre tiendas para identificar tendencias, medir el rendimiento y mejorar las estrategias minoristas.
• Monitoreo continuo en tiempo real: Ultralytics YOLO26 está optimizado para inferencia de baja latencia, lo que permite el análisis continuo de imágenes de estantes y la detección en tiempo real de cambios en la colocación de productos en dispositivos de borde.
• Integración con sistemas minoristas: Un sistema de detección de cumplimiento de planogramas impulsado por Ultralytics YOLO26 se puede integrar con sistemas de inventario, TPV (terminal punto de venta) o análisis para proporcionar una visión más completa del rendimiento de la tienda.

Conclusiones clave#

El cumplimiento de planogramas es vital para mantener una colocación precisa de los productos y operaciones minoristas consistentes. Al combinar la detección de productos con la comparación de diseños, las tiendas pueden reducir las auditorías manuales y comprobar los estantes con mayor precisión. Con modelos como Ultralytics YOLO26, estos sistemas se pueden utilizar en varias tiendas y también pueden respaldar mejores decisiones utilizando datos a nivel de tienda.

¿Quieres llevar la IA de visión a tus proyectos? Únete a nuestra activa community y aprende sobre vision AI in retail y computer vision in robotics. Explora nuestro GitHub repository para descubrir más. ¡Consulta nuestras licensing options para empezar!