Utiliser Ultralytics YOLO26 pour détecter la conformité des planogrammes

Nous sommes tous déjà entrés dans un magasin pour acheter du pain ou des céréales, avons passé quelques minutes à parcourir les rayons, puis avons réalisé que nous ne trouvions pas le produit. Parfois, il est rangé au mauvais endroit, parfois il est en rupture de stock, et parfois il se fond simplement dans le reste des articles en rayon.

Pour les détaillants, placer les produits au bon endroit est plus important qu’il n’y paraît. Cela influe sur la facilité avec laquelle les clients trouvent les articles et peut avoir un effet direct sur les ventes et la satisfaction globale des clients. Pour gérer cette organisation, les magasins utilisent un planogramme, un schéma simple indiquant où chaque produit doit être placé en rayon.

La conformité au planogramme consiste à vérifier si la disposition réelle des rayons correspond à la disposition prévue. Dans de nombreux magasins, cette vérification se fait encore au moyen d’audits manuels et de listes de contrôle, ce qui peut prendre du temps et donner des résultats irréguliers.

Fig. 1. Un planogramme et un rayon réel (réogramme), avec les résultats de détection de conformité (Source)

Même de petits écarts, comme des SKU (unités de gestion des stocks) mal placées, des prix incorrects ou des produits en rupture de stock, peuvent avoir des conséquences. Les SKU sont des codes uniques permettant d’identifier et de suivre chaque variante d’un produit, par exemple différentes tailles ou saveurs. Ces problèmes réduisent la disponibilité en rayon et peuvent entraîner des ventes perdues.

C’est pourquoi les détaillants se tournent de plus en plus vers la vision par ordinateur et la reconnaissance d’images. Ces technologies d’IA peuvent analyser des images des rayons prises par des caméras en magasin, détecter automatiquement les produits et vérifier qu’ils sont correctement placés. Les modèles d’IA visuelle comme Ultralytics YOLO26 rendent ce processus rapide, précis et pratique dans de vrais environnements de magasin.

Dans cet article, nous allons voir comment créer un système de détection de conformité au planogramme à l’aide d’Ultralytics YOLO26. C’est parti !

Qu’est-ce que la conformité au planogramme ?#

La conformité au planogramme contribue à maintenir une disposition cohérente des magasins, à garantir l’exactitude des prix et des promotions, à améliorer la gestion des stocks et à aider les clients à trouver plus facilement les produits en rayon.

Elle consiste à disposer les produits selon une organisation prédéfinie ou un planogramme. Cette disposition définit l’emplacement de chaque produit, le nombre de facings requis (le nombre de produits placés à l’avant du rayon et visibles par les clients) et les produits qui doivent être placés côte à côte.

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 présentation cohérente dans tous leurs magasins, tandis que les marques de produits de grande consommation s’en servent pour s’assurer que leurs produits sont correctement présentés et bien visibles.

Fig. 2. Comparaison d’un planogramme avec la disposition réelle d’un rayon (Source)

Un audit de planogramme consiste à comparer un rayon réel à une disposition prévue. Il s’agit notamment de vérifier que les bons SKU occupent les bons emplacements et que le nombre de facings requis est respecté.

Tu te demandes peut-être si l’emplacement d’un produit en rayon fait vraiment une différence. Pourtant, lorsque les produits se ressemblent, même de petites erreurs de placement peuvent rendre les articles plus difficiles à trouver ou induire les clients en erreur.

Cela peut avoir des conséquences sur l’exactitude des prix et les décisions des clients. Le respect du planogramme permet de garder les rayons organisés et d’améliorer l’expérience client.

Utiliser la vision par ordinateur pour vérifier la conformité des planogrammes#

Traditionnellement, les magasins de détail vérifient la conformité des planogrammes au moyen d’audits et de listes de contrôle manuels. Le personnel inspecte l’agencement des rayons, vérifie l’emplacement et le nombre de facings des produits, puis consigne ses observations.

Cependant, ce processus peut prendre beaucoup de temps, être difficile à déployer à grande échelle dans plusieurs magasins et entraîner souvent des incohérences dans la manière d’effectuer les contrôles. Le secteur du commerce de détail adopte rapidement la vision par ordinateur, un domaine de l’intelligence artificielle qui permet aux systèmes d’analyser et de comprendre des images, afin de mieux gérer ces contrôles de conformité.

Ces systèmes utilisent des caméras pour capturer des images des rayons, puis les traitent à l’aide de modèles entraînés pour reconnaître chaque produit. Les modèles de vision par ordinateur comme Ultralytics YOLO26 prennent en charge des tâches de vision telles que la détection d’objets et la segmentation d’instances, ce qui permet d’identifier et de localiser avec précision les produits dans les rayons des magasins.

Fig. 3. Exemple d’utilisation de YOLO26 pour détecter et segmenter des produits dans un rayon de magasin (Source)

Utiliser Ultralytics YOLO26 pour ce cas d’usage est également simple : le modèle préentraîné est disponible prêt à l’emploi, fournit une base solide et peut être entraîné sur mesure avec des données de rayons de magasins pour reconnaître des produits spécifiques.

À partir de ces détections, un système de détection de la conformité des planogrammes peut cartographier la position des produits dans le rayon et la comparer à l’agencement prévu. Cette approche permet aux détaillants d’aller au-delà des contrôles manuels et de surveiller les rayons en continu à l’échelle du magasin.

Ils peuvent détecter les produits au niveau des SKU, repérer les erreurs de placement et améliorer la disponibilité en rayon ainsi que l’exécution globale.

Comprendre le fonctionnement de la détection de la conformité des planogrammes par l’IA#

Avant de voir comment utiliser Ultralytics YOLO26 pour détecter la conformité des planogrammes, prenons un peu de recul pour comprendre comment la détection des produits et la comparaison des agencements s’articulent dans ces systèmes.

Un système de conformité des planogrammes fonctionne généralement en deux grandes étapes. D’abord, un modèle comme Ultralytics YOLO26 analyse les images des rayons pour détecter et classer les produits. Pour chaque détection, le modèle fournit également des informations de localisation qui indiquent où se trouve chaque produit dans le rayon.

Ensuite, ces détections sont organisées pour former un agencement structuré du rayon. Les produits sont regroupés selon leur position, généralement par rangée, afin de refléter la disposition réelle des articles.

Fig. 4. Ultralytics YOLO26 peut contribuer à la conformité des planogrammes. (Source)

Cet agencement structuré est ensuite comparé au planogramme prévu. Le système vérifie si les bons SKU se trouvent aux bonnes positions, si le nombre de facings requis est respecté et si des produits sont manquants ou mal placés.

En combinant la détection des produits et la comparaison des agencements, le système peut repérer les différences entre la disposition prévue et la disposition réelle du rayon. Les résultats peuvent être présentés sous forme de rapports de conformité ou de tableaux de bord qui mettent en évidence les problèmes à l’échelle du magasin.

Les équipes en magasin peuvent ainsi comprendre rapidement ce qui ne va pas, prendre des mesures correctives et assurer une exécution cohérente dans les points de vente.

Préparer un jeu de données pour créer un système de conformité des planogrammes#

La première étape pour créer un système de conformité des planogrammes consiste à préparer un jeu de données bien structuré. Il faut pour cela recueillir des images de rayons prises dans différents environnements de vente au détail. La qualité et la diversité de ces données ont une incidence directe sur les performances du modèle.

Les jeux de données publics peuvent également servir de point de départ. Cependant, comme l’agencement des magasins, les assortiments de produits et la disposition des rayons varient selon les détaillants, ces jeux de données ne correspondent souvent pas pleinement aux conditions réelles.

Pour obtenir des performances fiables, il est généralement nécessaire de créer un jeu de données personnalisé, adapté à l’environnement du magasin visé. Les données peuvent être recueillies à partir de photos des rayons prises par des caméras en magasin ou des appareils mobiles, dans différents points de vente.

En plus des données du monde réel, des configurations de rayons simulées peuvent servir à créer des scénarios contrôlés. La combinaison des deux permet au modèle de fonctionner de manière plus fiable dans différents environnements de magasin.

Il est également essentiel de capturer différentes conditions réelles en magasin, comme les changements d’agencement, la disposition des rayons, le placement des produits, l’éclairage, les angles de caméra et l’organisation des rayons. En recueillant des données variées et réalistes, le modèle peut apprendre à généraliser à plusieurs magasins et à prendre en charge la détection précise de la conformité des planogrammes à grande échelle.

Aperçu de l’annotation d’un jeu de données du commerce de détail#

Une fois les données recueillies, l’étape suivante consiste à les annoter. Chaque produit d’une image est étiqueté en traçant une boîte englobante autour de lui, afin que le modèle apprenne à reconnaître différents SKU.

Lors de l’annotation, il est important de définir des classes claires. Le niveau de détail peut varier en fonction du planogramme.

Au niveau des SKU, chaque variante de produit, par exemple une marque, une taille ou une saveur spécifique, est étiquetée séparément. Au niveau des catégories, des produits similaires peuvent être regroupés, par exemple toutes les boissons gazeuses ou toutes les collations.

Des outils comme Ultralytics Platform, un environnement de bout en bout pour gérer les jeux de données, l’annotation, l’entraînement et le déploiement, peuvent simplifier ce processus. La plateforme prend en charge l’annotation manuelle et l’étiquetage assisté par IA, où les modèles peuvent proposer des annotations que tu peux vérifier et affiner, ce qui contribue à améliorer la rapidité et la cohérence.

Entraîner Ultralytics YOLO26 à détecter des produits#

Une fois le jeu de données préparé et annoté, l’étape suivante consiste à entraîner YOLO26 à détecter des produits dans les rayons des magasins. Tu peux le faire à l’aide du package Python Ultralytics ou d’Ultralytics Platform.

Le package Python Ultralytics offre la flexibilité nécessaire pour créer des pipelines personnalisés et intégrer l’entraînement aux workflows existants. De même, Ultralytics Platform fournit un environnement unifié dans lequel tu peux gérer les annotations et les jeux de données, configurer l’entraînement, lancer des expériences et suivre les résultats depuis un seul tableau de bord.

La plateforme propose également des options GPU dans le cloud pour un entraînement évolutif et prend en charge le déploiement, ce qui réduit le besoin de configurer une infrastructure ou de gérer des dépendances.

Avant de lancer l’entraînement, voici quelques autres facteurs importants à prendre en compte :

• Répartition du jeu de données : le jeu de données doit être divisé en ensembles d’entraînement, de validation et de test. Cela permet d’évaluer la capacité du modèle à généraliser à de nouvelles données et d’éviter le surapprentissage.
• Sélection du modèle : les modèles Ultralytics YOLO26 sont proposés en différentes tailles, ce qui te permet d’équilibrer vitesse et précision en fonction de tes besoins de déploiement.
• Configuration de l’entraînement : des paramètres tels que la taille du lot, la taille des images et le nombre d’époques peuvent influer à la fois sur la vitesse d’entraînement et sur les performances du modèle.

Une fois l’entraînement terminé, tu peux évaluer le modèle à l’aide de métriques telles que la précision, le rappel et mAP (précision 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 suffisantes, tu peux améliorer le jeu de données et la configuration de l’entraînement. Tu peux notamment appliquer une augmentation des données, ajouter des images plus diversifiées ou équilibrer les classes pour lesquelles certains SKU sont moins fréquents.

Intégrer la logique de conformité des planogrammes#

Après l’entraînement et l’évaluation d’un modèle, l’étape suivante consiste à créer la logique qui effectue les contrôles de conformité des planogrammes. Il faut pour cela structurer les données des rayons et les comparer à l’agencement prévu.

Voici un aperçu du fonctionnement de ce processus :

• Définir l’agencement prévu du rayon : d’abord, l’agencement prévu du rayon est défini à partir du planogramme et représenté sous forme de grille structurée en rangées et en colonnes. Chaque position de la grille correspond à un SKU spécifique et reflète la manière dont les produits doivent être disposés dans le rayon.
• Organiser les produits détectés : les détections du modèle sont ensuite organisées selon leur position dans le rayon. À partir de leurs coordonnées, les produits sont triés et regroupés par rangée, ce qui transforme les détections brutes en un agencement structuré reflétant la disposition réelle du rayon.
• Comparer les agencements prévu et réel : l’agencement structuré du rayon est ensuite comparé au planogramme prévu pour repérer les différences. Si un produit détecté ne correspond pas au SKU attendu, il est signalé comme mal placé. Si un produit manque à une position, il est signalé comme manquant. Cette étape permet également de vérifier si le nombre de facings requis est respecté.
• Générer les résultats de conformité : enfin, un rapport de conformité peut être produit pour chaque rayon afin de mettre en évidence les non-conformités, les écarts et les divergences. Ces résultats peuvent être partagés dans des tableaux de bord pour aider les équipes à repérer et à résoudre rapidement les problèmes.

Déployer un modèle de vision pour vérifier la conformité des planogrammes#

Après avoir créé une solution qui intègre la détection des produits et la logique de conformité, l’étape suivante consiste à la déployer dans un environnement de magasin. Plusieurs options s’offrent à toi pour le déploiement, en fonction du cas d’usage et de l’infrastructure.

Tu peux notamment déployer le modèle sur des appareils périphériques, comme des serveurs en magasin ou du matériel embarqué. Placés à proximité des caméras, ces systèmes peuvent traiter les images des rayons au moment de leur capture, ce qui permet une faible latence et une surveillance en temps réel.

Une autre option consiste à déployer le modèle dans le cloud, en envoyant les images à des serveurs distants pour traitement. Cette approche peut simplifier la gestion et le déploiement à grande échelle dans plusieurs sites, en particulier lorsqu’une surveillance centralisée est nécessaire.

Dans l’écosystème Ultralytics, plusieurs options prennent en charge ces différents scénarios de déploiement. Par exemple, avec le package Python Ultralytics, tu peux exporter les modèles YOLO26 entraînés dans différents formats, comme ONNX, TensorRT ou CoreML.

Cela permet d’exécuter les modèles sur une vaste gamme de matériels, notamment des unités de traitement graphique (GPUs), des unités centrales de traitement (CPUs), des appareils mobiles et des systèmes embarqués, selon les besoins de déploiement.

De son côté, Ultralytics Platform propose des options de déploiement intégrées qui simplifient les tests, l’intégration et le déploiement en production. Tu peux tester les modèles directement dans le navigateur, les intégrer à des applications à l’aide d’API d’inférence partagées ou les déployer sur des points de terminaison dédiés pour une utilisation en production évolutive.

La plateforme prend également en charge l’exportation des modèles pour les exécuter sur des systèmes externes ou des appareils périphériques, ce qui facilite le passage du développement au déploiement dans le monde réel. Elle inclut aussi des outils de surveillance qui permettent de suivre les performances après le déploiement et d’assurer un fonctionnement fiable dans la durée.

Avantages de l’IA visuelle pour détecter la conformité des planogrammes#

Voici quelques-uns des principaux avantages d’Ultralytics YOLO26 pour créer un système de conformité des planogrammes :

• Adaptabilité à différents environnements de vente au détail : tu peux réentraîner ou ajuster Ultralytics YOLO26 sur de nouvelles données, ce qui lui permet de s’adapter à différents agencements de magasins, assortiments de produits et variations régionales.
• Optimisation de la prise de décision fondée sur les données : tu peux agréger les données de conformité de plusieurs magasins pour repérer les tendances, mesurer les performances et améliorer les stratégies de vente au détail.
• Surveillance continue en temps réel : Ultralytics YOLO26 est optimisé pour l’inférence à faible latence, ce qui permet d’analyser en continu les images des rayons et de détecter en temps réel les changements de placement des produits sur les appareils périphériques.
• Intégration aux systèmes de vente au détail : tu peux intégrer un système de détection de la conformité des planogrammes basé sur Ultralytics YOLO26 aux systèmes de gestion des stocks, de point de vente (POS) ou d’analyse afin d’obtenir une vision plus complète des performances du magasin.

Points clés à retenir#

La conformité des planogrammes est essentielle pour maintenir un placement précis des produits et assurer la cohérence des opérations de vente au détail. En combinant la détection des produits et la comparaison des agencements, les magasins peuvent réduire les audits manuels et contrôler les rayons avec plus de précision. Avec des modèles comme Ultralytics YOLO26, ces systèmes peuvent être déployés dans plusieurs magasins et contribuer à de meilleures décisions grâce aux données recueillies à l’échelle de chaque magasin.

Tu veux intégrer l’IA visuelle à tes projets ? Rejoins notre communauté active et découvre l’IA visuelle dans le commerce de détail et la vision par ordinateur en robotique. Consulte notre dépôt GitHub pour en savoir plus. Découvre nos options de licence pour te lancer !