Uso de Ultralytics YOLO26 para detectar el cumplimiento de planogramas

A todos nos ha pasado: entrar en una tienda para comprar algo como pan o cereales, pasar unos minutos buscando en las estanterías y darse cuenta de que no lo encontramos. A veces está en el sitio equivocado, a veces se ha agotado y otras simplemente se confunde con el resto de productos de la estantería.

Para los minoristas, colocar los productos en el lugar adecuado es más importante de lo que podría parecer. Esto influye en la facilidad con la que los clientes encuentran los artículos y puede afectar directamente a las ventas y a la satisfacción general de los clientes. Para gestionarlo, las tiendas utilizan un planograma, una distribución sencilla que muestra dónde debe colocarse cada producto en una estantería.

El cumplimiento del planograma es el proceso de comprobar si la estantería real coincide con la distribución prevista. En muchas tiendas, todavía se realiza mediante auditorías manuales y listas de verificación, un proceso que puede llevar mucho tiempo y ser poco sistemático.

Fig. 1. Un planograma frente a una estantería real (realograma) con los resultados de la detección del cumplimiento (Fuente)

Incluso pequeñas discrepancias, como referencias SKU (unidades de mantenimiento de existencias) mal colocadas, precios incorrectos o productos agotados, pueden marcar la diferencia. Las SKU son códigos únicos que se utilizan para identificar y hacer un seguimiento de variantes de productos individuales, como tamaños o sabores diferentes. Estos problemas reducen la disponibilidad en los estantes y pueden provocar pérdidas de ventas.

Por eso, los minoristas recurren cada vez más a la visión artificial y al reconocimiento de imágenes. Estas tecnologías de IA pueden analizar imágenes de estanterías captadas por cámaras de las tiendas, detectar automáticamente los productos y comprobar si están colocados correctamente. Los modelos de IA visual como Ultralytics YOLO26 hacen que este proceso sea rápido, preciso y práctico en entornos comerciales reales.

En este artículo, te explicaremos cómo crear un sistema de detección del cumplimiento del planograma con Ultralytics YOLO26. ¡Empecemos!

¿Qué es el cumplimiento del planograma?#

El cumplimiento del planograma ayuda a mantener la coherencia de la distribución de las tiendas, permite aplicar correctamente los precios y las promociones, mejora la gestión de existencias y facilita que los clientes encuentren productos en las estanterías.

Consiste en colocar los productos según una distribución predefinida o un planograma. Esta distribución define dónde debe colocarse cada producto, cuántas caras visibles debe tener (el número de productos colocados en la parte delantera de la estantería y visibles para los clientes) y qué productos deben situarse unos junto a otros.

Tanto los minoristas como las marcas de bienes de consumo envasados (CPG) dependen de los planogramas. Los minoristas los utilizan para organizar las estanterías y mantener la coherencia entre tiendas, mientras que las marcas CPG los utilizan para garantizar que sus productos se expongan correctamente y tengan la visibilidad adecuada.

Fig. 2. Comparación de un planograma con la distribución real de una estantería (Fuente)

El proceso de auditoría de planogramas consiste en comparar una estantería real con la distribución prevista. Esto incluye comprobar si las SKU correctas están en las posiciones adecuadas y si se mantiene el número de caras visibles requerido.

Quizá te preguntes si la colocación de un producto en una estantería realmente marca la diferencia. Pero cuando los productos se parecen, incluso pequeños errores de colocación pueden dificultar que los clientes encuentren los artículos o confundirlos.

Esto puede afectar a la precisión de los precios y a las decisiones de los clientes. Mantener el cumplimiento permite tener las estanterías organizadas y mejorar la experiencia del cliente.

Uso de la visión artificial para verificar el cumplimiento del planograma#

Tradicionalmente, las tiendas minoristas han mantenido el cumplimiento del planograma mediante auditorías manuales y listas de comprobación. El personal de tienda inspecciona la distribución de los estantes, verifica la ubicación y el número de frentes de los productos y registra sus observaciones.

Sin embargo, este proceso puede llevar mucho tiempo, ser difícil de ampliar a varias tiendas y, a menudo, provocar 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 usan cámaras para capturar imágenes de los estantes y procesarlas con modelos entrenados para reconocer productos individuales. Los modelos de visión artificial como Ultralytics YOLO26 admiten tareas de visión como la detección de objetos y la segmentación de instancias, lo que permite identificar y localizar productos con precisión en los estantes de las tiendas.

Fig. 3. Ejemplo del uso de YOLO26 para detectar y segmentar productos en un estante de una tienda (Fuente)

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

A partir de estas detecciones, un sistema de detección del cumplimiento del planograma puede asignar las posiciones de los productos en el estante y compararlas con las distribuciones previstas. Con este enfoque, los minoristas pueden ir más allá de las comprobaciones manuales y supervisar los estantes de forma continua en cada tienda.

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

Cómo funciona la detección del cumplimiento del planograma basada en IA#

Antes de profundizar en cómo usar Ultralytics YOLO26 para detectar el cumplimiento del planograma, demos un paso atrás y entendamos cómo se combinan la detección de productos y la comparación de distribuciones en estos sistemas.

Un sistema de cumplimiento del planograma suele funcionar en dos etapas principales. Primero, 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 indica dónde aparece cada producto en el estante.

A continuación, estas detecciones se organizan en una distribución estructurada del estante. Los productos se agrupan según su posición, normalmente en filas, para reflejar cómo están dispuestos los artículos en el mundo real.

Fig. 4. Ultralytics YOLO26 puede facilitar el cumplimiento del planograma. (Fuente)

A continuación, esta distribución estructurada se compara con el planograma previsto. El sistema comprueba si las SKU correctas están en las posiciones adecuadas, si se mantiene el número de frentes requerido y si falta algún producto o está mal colocado.

Al combinar la detección de productos con la comparación de distribuciones, el sistema puede identificar diferencias entre la disposición prevista y la real de los estantes. Los resultados se pueden presentar en informes de cumplimiento o paneles que destaquen los problemas de cada tienda.

Así, los equipos de tienda pueden entender rápidamente qué falla, tomar medidas correctivas y mantener una ejecución minorista coherente.

Preparación de un conjunto de datos para crear un sistema de cumplimiento del planograma#

El primer paso para crear un sistema de cumplimiento del planograma es preparar un conjunto de datos bien estructurado. Esto implica recopilar imágenes de estantes de distintos entornos minoristas. La calidad y 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, como la distribución de las tiendas, la variedad de productos y la disposición de los estantes varían según el minorista, a menudo no reflejan por completo las condiciones del mundo real.

Por lo general, es necesario crear un conjunto de datos personalizado y adaptado al entorno de la tienda de destino para lograr un rendimiento fiable. Los datos se pueden recopilar mediante fotografías de estantes tomadas con cámaras de la tienda o dispositivos móviles en distintas ubicaciones minoristas.

Además de los datos del mundo real, se pueden usar montajes simulados de estantes para crear escenarios controlados. Combinar ambos tipos permite que el modelo funcione de forma más fiable en distintos entornos de tienda.

También es fundamental capturar distintas condiciones reales de las tiendas, como cambios en la distribución, la disposición de los estantes, la ubicación de los productos, la iluminación, los ángulos de cámara y la organización de los estantes. Al recopilar datos diversos y realistas, el modelo puede aprender a generalizar entre tiendas y facilitar una detección precisa del cumplimiento del planograma a gran escala.

Introducción al etiquetado de un conjunto de datos minorista#

Una vez recopilados los datos, el siguiente paso es anotarlos. Se etiqueta cada producto de una imagen dibujando recuadros delimitadores a su alrededor para que el modelo aprenda a reconocer distintas SKU.

Al etiquetar, es importante definir clases claras. Se puede hacer con distintos niveles de detalle, según el planograma.

A nivel de SKU, cada variante de producto, como una marca, un tamaño o un 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 Ultralytics Platform, un entorno integral para gestionar conjuntos de datos, anotaciones, entrenamiento y despliegue, pueden simplificar este proceso. Admite tanto la anotación manual como el etiquetado asistido por IA, en el que los modelos sugieren anotaciones que se pueden revisar y perfeccionar, lo que ayuda a mejorar la rapidez y la coherencia.

Entrenamiento de Ultralytics YOLO26 para detectar productos#

Una vez preparado y etiquetado el conjunto de datos, el siguiente paso es entrenar YOLO26 para detectar productos en los estantes de las tiendas. Puedes hacerlo con el paquete de Python de Ultralytics o con Ultralytics Platform.

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

También ofrece opciones de GPU en la nube para un entrenamiento escalable y admite el despliegue, lo que reduce la necesidad de configurar infraestructura o gestionar dependencias.

Antes de empezar el entrenamiento, ten en cuenta algunos otros factores clave:

• División del conjunto de datos: El conjunto de datos debe dividirse en conjuntos de entrenamiento, validación y prueba. Esto ayuda a evaluar hasta qué punto el modelo generaliza a datos nuevos y evita el sobreajuste.
• Selección del modelo: Los modelos Ultralytics YOLO26 están disponibles en distintos tamaños, lo que te permite equilibrar velocidad y precisión según tus necesidades de despliegue.
• Configuración del entrenamiento: Parámetros como el tamaño del lote, el tamaño de imagen y el número de épocas pueden influir tanto en la velocidad del entrenamiento como en el rendimiento del modelo.

Cuando termine el entrenamiento, puedes evaluar el modelo con métricas como la precisión, la exhaustividad y mAP (precisión media promedio). Estas métricas te permiten medir con qué precisión detecta productos el modelo y hasta qué punto evita errores.

Si el rendimiento del modelo no es suficientemente bueno, puedes mejorar el conjunto de datos y la configuración del entrenamiento. Esto puede incluir aplicar aumento de datos, añadir imágenes más diversas o equilibrar las clases en las que algunas SKU aparecen con menos frecuencia.

Integración de la lógica de cumplimiento del planograma#

El siguiente paso después de entrenar y evaluar un modelo es crear la lógica que realiza las comprobaciones de cumplimiento del planograma. Esto implica estructurar los datos de los estantes y compararlos con la distribución prevista.

Este es un resumen de cómo funciona el proceso:

• Define la distribución prevista del estante: Primero, define la distribución prevista del estante con el planograma y represéntala como una cuadrícula estructurada de filas y columnas. Cada posición de la cuadrícula corresponde a una SKU específica y refleja cómo deben organizarse los productos en el espacio del estante.
• Organiza los productos detectados: Después, organiza las detecciones del modelo según su posición en el estante. Usa sus coordenadas para ordenar y agrupar los productos en filas, convirtiendo las detecciones sin procesar en una distribución estructurada que refleje la disposición real del estante.
• Compara las distribuciones prevista y real: A continuación, compara la distribución estructurada del estante con el planograma previsto para identificar diferencias. Si un producto detectado no coincide con la SKU prevista, márcalo como mal colocado. Si falta un producto en una posición, indícalo como ausente. Este paso también sirve para verificar si se mantiene el número de frentes requerido.
• Genera los resultados del cumplimiento: Por último, puedes generar un informe de cumplimiento para cada estante que destaque los incumplimientos, las desviaciones y las discrepancias. Estos resultados se pueden compartir mediante paneles para ayudar a los equipos a identificar y resolver rápidamente los problemas.

Despliegue de un modelo de visión para verificar el cumplimiento del planograma#

Después de crear una solución que integre la detección de productos y la lógica de cumplimiento, el siguiente paso es desplegarla en una tienda. Hay varias opciones que puedes considerar para el despliegue, según el caso de uso y la infraestructura.

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

Otra opción es el despliegue en la nube, donde las imágenes se envían a servidores remotos para su procesamiento. Esto puede facilitar la gestión y ampliación de los despliegues en varias ubicaciones, especialmente cuando se necesita una supervisión centralizada.

Dentro del ecosistema Ultralytics, hay varias opciones compatibles con estos distintos escenarios de despliegue. Por ejemplo, con el paquete de Python de Ultralytics, puedes exportar los modelos YOLO26 entrenados a distintos formatos, como ONNX, TensorRT o CoreML.

Así se pueden ejecutar modelos en una amplia variedad de hardware, incluidas unidades de procesamiento gráfico (GPU), unidades centrales de procesamiento (CPU), dispositivos móviles y sistemas integrados, según las necesidades del despliegue.

Por su parte, Ultralytics Platform ofrece opciones de despliegue integradas que simplifican las pruebas, la integración y el despliegue en producción. Puedes probar los modelos directamente en el navegador, integrarlos en aplicaciones mediante API de inferencia compartidas o desplegarlos en puntos de conexión dedicados para un uso escalable en producción.

También permite exportar modelos para ejecutarlos en sistemas externos o dispositivos periféricos, lo que facilita pasar del desarrollo al despliegue en el mundo real. Además, la plataforma incluye herramientas de supervisión que ayudan a seguir el rendimiento tras el despliegue y a garantizar un funcionamiento fiable a lo largo del tiempo.

Ventajas de usar IA de visión para detectar el cumplimiento del planograma#

Estas son algunas de las principales ventajas de usar Ultralytics YOLO26 para crear un sistema de cumplimiento del planograma:

• Adaptable a distintos entornos minoristas: Puedes volver a entrenar o ajustar Ultralytics YOLO26 con datos nuevos, lo que permite adaptarlo a distintas distribuciones de tiendas, variedades de productos y variaciones regionales.
• Optimiza la toma de decisiones basada en datos: Puedes agregar los datos de cumplimiento de varias tiendas para identificar tendencias, medir el rendimiento y mejorar las estrategias minoristas.
• Supervisión continua en tiempo real: Ultralytics YOLO26 está optimizado para la inferencia de baja latencia, lo que permite analizar continuamente imágenes de estantes y detectar en tiempo real cambios en la ubicación de los productos en dispositivos periféricos.
• Integración con sistemas minoristas: Puedes integrar un sistema de detección del cumplimiento del planograma basado en Ultralytics YOLO26 con sistemas de inventario, de punto de venta (POS) o de análisis para obtener una visión más completa del rendimiento de la tienda.

Conclusiones clave#

El cumplimiento del planograma es fundamental para mantener una colocación precisa de los productos y operaciones minoristas coherentes. Al combinar la detección de productos con la comparación de distribuciones, las tiendas pueden reducir las auditorías manuales y comprobar los estantes con mayor precisión. Con modelos como Ultralytics YOLO26, estos sistemas se pueden usar en varias tiendas y también facilitar mejores decisiones basadas en datos de cada tienda.

¿Quieres incorporar la IA de visión a tus proyectos? Únete a nuestra activa comunidad y descubre la IA de visión en el comercio minorista y la visión artificial en robótica. Explora nuestro repositorio de GitHub para obtener más información. ¡Consulta nuestras opciones de licencia para empezar!