Utiliser Ultralytics YOLO26 pour la détection de conformité de planogramme

Nous sommes tous entrés dans un magasin pour acheter quelque chose comme du pain ou des céréales, avons passé quelques minutes à scanner les rayons, puis avons réalisé que nous ne pouvions pas le trouver. Parfois, c'est au mauvais endroit, parfois c'est en rupture de stock, et parfois, ça se fond simplement dans le décor du rayon.

Pour les détaillants, garder les produits au bon endroit est plus important qu'il n'y paraît. Cela affecte la facilité avec laquelle les clients peuvent trouver les articles et peut avoir un impact direct sur les ventes et la satisfaction globale des clients. Pour gérer cela, les magasins utilisent un planogramme, une disposition simple montrant où chaque produit doit être placé sur une étagère.

La conformité au planogramme est le processus consistant à vérifier si l'étagère réelle correspond à la disposition attendue. Dans de nombreux magasins, cela se fait encore par des audits manuels et des listes de contrôle, ce qui peut être long et incohérent.

Fig 1. Un planogramme par rapport à un rayon réel (réélogramme) avec les résultats de détection de conformité (Source)

Même de petits écarts comme des SKU (unités de gestion des stocks) mal placés, des prix incorrects ou des produits en rupture de stock peuvent faire une différence. Les SKU sont des codes uniques utilisés pour identifier et suivre les variantes individuelles de produits, comme différentes tailles ou saveurs. Ces problèmes réduisent la disponibilité en rayon et peuvent entraîner des pertes de ventes.

C'est pourquoi les détaillants se tournent de plus en plus vers la computer vision et la reconnaissance d'images. Ces technologies d'IA peuvent analyser les images de rayons capturées par les caméras en magasin, détecter automatiquement les produits et vérifier s'ils sont placés correctement. Les modèles de vision par IA comme Ultralytics YOLO26 rendent ce processus rapide, précis et pratique à utiliser dans de véritables environnements de magasin.

Dans cet article, nous allons voir comment construire un système de détection de conformité de planogramme en utilisant Ultralytics YOLO26. Commençons !

Qu'est-ce que la conformité de planogramme ?#

La conformité des planogrammes aide à maintenir des agencements de magasins cohérents, favorise des prix et des promotions précis, améliore la gestion des stocks et permet aux clients de trouver plus facilement les produits dans les rayons.

Il s'agit de disposer les produits selon une mise en page prédéfinie ou un planogramme. Cette mise en page définit où chaque produit doit être placé, combien de facings il doit avoir (le nombre de produits placés à l'avant de l'étagère et visibles par les clients), et quels produits doivent être positionnés les uns à côté des autres.

Les détaillants et les marques de produits de grande consommation (CPG) s'appuient tous deux sur des planogrammes. Les détaillants les utilisent pour organiser les rayons et maintenir une cohérence entre les magasins, tandis que les marques CPG les utilisent pour s'assurer que leurs produits sont correctement présentés et bénéficient d'une visibilité adéquate.

Fig 2. Un aperçu d'un planogramme correspondant à la disposition réelle d'un rayon (Source)

Le processus d'audit de planogramme implique de comparer une étagère réelle avec une disposition attendue. Cela inclut la vérification que les bons SKU sont aux bonnes positions et que le nombre requis de facings est maintenu.

Tu te demandes peut-être si le placement d'un produit sur une étagère fait vraiment une différence. Mais lorsque les produits se ressemblent, même de petites erreurs de placement peuvent rendre les articles plus difficiles à trouver ou dérouter les clients.

Cela peut avoir un impact sur l'exactitude des prix et les décisions des clients. Maintenir la conformité permet de garder les rayons organisés et d'améliorer l'expérience client.

Utiliser la vision par ordinateur pour la conformité de planogramme#

Traditionnellement, les magasins de détail maintiennent la conformité des planogrammes grâce à des audits manuels et des listes de contrôle. Le personnel du magasin inspecte la disposition des rayons, vérifie le placement et le facing des produits, et consigne ses observations.

Cependant, ce processus peut être long, difficile à étendre à plusieurs magasins, et conduit souvent à des incohérences dans la manière dont les contrôles sont effectués. Le secteur de la vente au détail adopte rapidement la vision par ordinateur, un domaine de l'intelligence artificielle qui permet aux systèmes d'analyser et de comprendre les images, pour mieux gérer ces contrôles de conformité.

Ces systèmes utilisent des caméras pour capturer des images des rayons et les traitent à l'aide de modèles entraînés pour reconnaître des produits individuels. Les modèles de computer vision comme Ultralytics YOLO26 prennent en charge des tâches de vision telles que la détection d'objets et la segmentation d'instances, permettant d'identifier et de localiser avec précision les produits sur les rayons des magasins.

Fig 3. Un exemple d'utilisation de YOLO26 pour détecter et segmenter des produits sur un rayon de magasin (Source)

Utiliser Ultralytics YOLO26 pour ce cas d'usage est également simple, puisqu'il est disponible clé en main en tant que modèle pré-entraîné, offrant un point de départ solide, et qu'il peut être personnalisé sur des données de rayons de magasin pour reconnaître des produits spécifiques.

Basé sur ces détections, un système de détection de conformité de planogramme peut mapper les positions des produits sur l'étagère et les comparer avec les dispositions attendues. Avec cette approche, les détaillants peuvent aller au-delà des contrôles manuels et surveiller les étagères en continu au niveau du magasin.

Ils peuvent détecter les produits au niveau du SKU, identifier les erreurs de placement et améliorer la disponibilité en rayon et l'exécution globale.

Comprendre le fonctionnement de la détection de conformité de planogramme assistée par IA#

Avant de plonger dans l'utilisation d'Ultralytics YOLO26 pour la détection de conformité de planogramme, prenons du recul pour comprendre comment la détection de produits et la comparaison de dispositions s'articulent dans ces systèmes.

Un système de conformité de planogramme fonctionne généralement en deux étapes principales. D'abord, un modèle comme Ultralytics YOLO26 analyse les images des étagères pour détecter et classer les produits. En plus de chaque détection, le modèle fournit des informations de localisation qui montrent où chaque produit apparaît sur l'étagère.

Ensuite, ces détections sont organisées en une disposition d'étagère structurée. Les produits sont regroupés en fonction de leurs positions, généralement en rangées d'étagères, pour refléter la manière dont les articles sont disposés dans le monde réel.

Fig 4. Ultralytics YOLO26 peut permettre la conformité de planogramme. (Source)

Cette disposition structurée est ensuite comparée avec le planogramme attendu. Le système vérifie si les bons SKU sont aux bonnes positions, si le nombre requis de facings est maintenu et si des produits manquent ou sont mal placés.

En combinant la détection de produits avec la comparaison des dispositions, le système peut identifier les différences entre l'arrangement attendu et l'arrangement réel de l'étagère. Les résultats peuvent être présentés sous forme de rapports de conformité ou de tableaux de bord qui mettent en évidence les problèmes au niveau du magasin.

Cela permet aux équipes en magasin de comprendre rapidement ce qui ne va pas, de prendre des mesures correctives et de maintenir une exécution commerciale cohérente.

Préparer un jeu de données pour construire un système de conformité de planogramme#

La première étape dans la construction d'un système de conformité de planogramme est de préparer un jeu de données bien structuré. Cela implique de rassembler des images d'étagères provenant de différents environnements de vente au détail. La qualité et la diversité de ces données impactent directement les performances du modèle.

Des jeux de données publics peuvent également être utilisés comme point de départ. Cependant, comme les agencements de magasins, les assortiments de produits et les dispositions des étagères varient selon les détaillants, ils ne correspondent souvent pas totalement aux conditions du monde réel.

La création d'un jeu de données personnalisé adapté à l'environnement cible du magasin est généralement nécessaire pour une performance fiable. Les données peuvent être collectées à l'aide de photos d'étagères capturées par des caméras en magasin ou des appareils mobiles dans différents points de vente.

En plus des données réelles, des configurations d'étagères simulées peuvent être utilisées pour créer des scénarios contrôlés. La combinaison des deux permet au modèle d'être plus fiable dans différents environnements de magasin.

Il est également crucial de capturer différentes conditions réelles de magasin, telles que les changements d'agencement, les arrangements d'étagères, le placement des produits, l'éclairage, les angles de caméra et l'organisation des étagères. En collectant des données diverses et réalistes, le modèle peut apprendre à se généraliser aux différents magasins et à prendre en charge une détection de conformité de planogramme précise à grande échelle.

Un aperçu de l'étiquetage d'un jeu de données de vente au détail#

Une fois les données collectées, l'étape suivante est l'annotation. Chaque produit dans une image est étiqueté en dessinant des boîtes englobantes autour de lui afin que le modèle puisse apprendre à reconnaître différents SKU.

Lors de l'étiquetage, il est important de définir des classes claires. Cela peut être fait à différents niveaux de détail, en fonction du planogramme.

Au niveau du SKU, chaque variante de produit, telle qu'une marque, une taille ou une saveur spécifique, est étiquetée séparément. Au niveau de la catégorie, des produits similaires peuvent être regroupés, comme toutes les boissons gazeuses ou tous les en-cas.

Des outils tels que l'Ultralytics Platform, un environnement de bout en bout pour la gestion des jeux de données, l'annotation, l'entraînement et le déploiement, peuvent simplifier ce processus. Elle prend en charge à la fois l'annotation manuelle et l'étiquetage assisté par IA, où les modèles peuvent suggérer des annotations qui peuvent être examinées et affinées, contribuant ainsi à améliorer la vitesse et la cohérence.

Entraîner Ultralytics YOLO26 pour la détection de produits#

Une fois le jeu de données préparé et étiqueté, l'étape suivante consiste à entraîner YOLO26 pour détecter les produits sur les rayons des magasins. Cela peut être fait en utilisant le package Python d'Ultralytics ou l'Ultralytics Platform.

Le package Python Ultralytics offre une flexibilité pour construire des pipelines personnalisés et intégrer l'entraînement dans des flux de travail existants. De même, la plateforme Ultralytics fournit un environnement unifié où tu peux gérer l'annotation, les jeux de données, configurer l'entraînement, exécuter des expériences et surveiller les résultats depuis un tableau de bord unique.

Elle propose également des options de GPU cloud pour un entraînement évolutif et prend en charge le déploiement, réduisant ainsi le besoin de configurer une infrastructure ou de gérer des dépendances.

Avant de commencer l'entraînement, voici quelques autres facteurs clés à prendre en compte :

• Division du jeu de données : Le jeu de données doit être divisé en ensembles d'entraînement, de validation et de test. Cela aide à évaluer la capacité du modèle à se généraliser à de nouvelles données et évite le surapprentissage.
• Sélection du modèle : Les modèles Ultralytics YOLO26 sont disponibles en différentes tailles, te permettant d'équilibrer vitesse et précision en fonction de tes besoins de déploiement.
• Configuration de l'entraînement : Des paramètres tels que la taille du lot (batch size), la taille de l'image et le nombre d'époques peuvent impacter à la fois la vitesse d'entraînement et les performances du modèle.

Une fois l'entraînement terminé, le modèle peut être évalué en utilisant des métriques telles que la précision, le rappel et le mAP (précision moyenne moyenne). Ces métriques te permettent de mesurer la précision avec laquelle le modèle détecte les produits et sa capacité à éviter les erreurs.

Si les performances du modèle ne sont pas assez solides, le jeu de données et la configuration de l'entraînement peuvent être améliorés. Cela peut inclure l'application d'augmentation de données, l'ajout d'images plus diverses ou l'équilibrage des classes où certains SKU apparaissent moins fréquemment.

Intégrer la logique de conformité de planogramme#

L'étape suivante, après l'entraînement et l'évaluation d'un modèle, consiste à construire la logique qui effectue les contrôles de conformité de planogramme. Cela implique de structurer les données de l'étagère et de les comparer avec la disposition attendue.

Voici un aperçu du fonctionnement de ce processus :

• Définir la disposition attendue de l'étagère : Tout d'abord, la disposition attendue de l'étagère est définie en utilisant le planogramme et représentée comme une grille structurée avec des rangées et des colonnes. Chaque position dans la grille correspond à un SKU spécifique, reflétant la manière dont les produits devraient être disposés sur l'espace de l'étagère.
• Organiser les produits détectés : Ensuite, les détections du modèle sont organisées en fonction de leur position sur l'étagère. En utilisant leurs coordonnées, les produits sont triés et regroupés en rangées d'étagères, convertissant les détections brutes en une disposition structurée qui reflète l'agencement réel de l'étagère.
• Comparer les dispositions attendues et réelles : Ensuite, la disposition structurée de l'étagère est comparée avec le planogramme attendu pour identifier les différences. Si un produit détecté ne correspond pas au SKU attendu, il est marqué comme mal placé. Si un produit est absent d'une position, il est signalé comme manquant. Cette étape peut également être utilisée pour vérifier si le nombre requis de facings est maintenu.
• Générer des résultats de conformité : Enfin, un rapport de conformité pour chaque étagère peut être produit, mettant en évidence la non-conformité, les déviations et les écarts. Ces sorties peuvent être partagées via des tableaux de bord pour aider les équipes à identifier et à traiter rapidement les problèmes.

Déployer un modèle de vision pour la conformité de planogramme#

Après avoir construit une solution qui intègre la détection de produits et la logique de conformité, l'étape suivante consiste à la déployer dans un environnement de magasin de détail. Il existe quelques options différentes à considérer lors du déploiement, en fonction du cas d'usage et de l'infrastructure.

Une option consiste à déployer le modèle sur des appareils de périphérie (edge), tels que des serveurs en magasin ou du matériel embarqué. Ces systèmes sont placés près des caméras afin que les images des étagères puissent être traitées là où elles sont capturées, permettant une faible latence et une surveillance en temps réel.

Une autre option est le déploiement basé sur le cloud, où les images sont envoyées à des serveurs distants pour traitement. Cela peut faciliter la gestion et le déploiement à grande échelle dans plusieurs emplacements, surtout lorsqu'une surveillance centralisée est requise.

Au sein de l'écosystème Ultralytics, tu disposes de plusieurs options pour prendre en charge ces différents scénarios de déploiement. Par exemple, en utilisant le package Python d'Ultralytics, les modèles peuvent être exportés YOLO26 vers différents formats tels que ONNX, TensorRT ou CoreML.

Cela permet d'exécuter des modèles sur une large gamme de matériel, y compris des processeurs graphiques (GPU), des unités centrales (CPU), des appareils mobiles et des systèmes embarqués, selon les besoins de déploiement.

Pendant ce temps, l'Ultralytics Platform fournit des options de déploiement intégrées qui simplifient les tests, l'intégration et le déploiement en production. Les modèles peuvent être testés directement dans le navigateur, intégrés dans des applications à l'aide d'API d'inférence partagées ou déployés sur des points de terminaison dédiés pour une utilisation en production évolutive.

Elle prend également en charge l'exportation de modèles pour une exécution sur des systèmes externes ou des appareils de périphérie, facilitant le passage du développement au déploiement réel. En plus de cela, la plateforme inclut des outils de surveillance qui aident à suivre les performances après le déploiement et à assurer un fonctionnement fiable dans le temps.

Avantages de l'utilisation de la vision par IA pour la détection de conformité de planogramme#

Voici quelques-uns des principaux avantages de l'utilisation d'Ultralytics YOLO26 pour construire un système de conformité de planogramme :

• Adaptable à différents environnements de vente au détail : Ultralytics YOLO26 peut être réentraîné ou ajusté sur de nouvelles données, ce qui le rend adaptable à différentes dispositions de magasins, gammes de produits et variations régionales.
• Optimise la prise de décision basée sur les données : Les données de conformité peuvent être agrégées dans plusieurs magasins pour identifier des tendances, mesurer les performances et améliorer les stratégies commerciales.
• Surveillance continue en temps réel : Ultralytics YOLO26 est optimisé pour une inférence à faible latence, permettant une analyse continue des images de rayons et une détection en temps réel des changements de placement des produits sur les appareils de périphérie (edge devices).
• Intégration avec les systèmes de vente au détail : Un système de détection de conformité de planogramme propulsé par Ultralytics YOLO26 peut être intégré à des systèmes d'inventaire, de point de vente (POS) ou d'analyse pour offrir une vision plus complète de la performance du magasin.

Points clés#

La conformité des planogrammes est essentielle pour maintenir un placement précis des produits et des opérations de vente au détail cohérentes. En combinant la détection des produits et la comparaison des agencements, les magasins peuvent réduire les audits manuels et vérifier les rayons plus précisément. Avec des modèles tels que Ultralytics YOLO26, ces systèmes peuvent être utilisés dans plusieurs magasins et peuvent également favoriser de meilleures décisions grâce aux données au niveau du magasin.

Tu veux intégrer la computer vision dans tes projets ? Rejoins notre communauté active et découvre la vision par IA dans le commerce de détail et la computer vision en robotique. Explore notre dépôt GitHub pour en savoir plus. Consulte nos options de licence pour commencer !