Uso di Ultralytics YOLO26 per rilevare la conformità al planogramma

A tutti è capitato di entrare in un negozio per comprare qualcosa, come pane o cereali, passare qualche minuto a controllare gli scaffali e poi rendersi conto di non riuscire a trovarlo. A volte è nel posto sbagliato, a volte è esaurito e altre volte si confonde semplicemente con tutti gli altri prodotti sullo scaffale.

Per i rivenditori, tenere i prodotti al posto giusto è più importante di quanto possa sembrare. Questo influisce sulla facilità con cui i clienti trovano gli articoli e può incidere direttamente sulle vendite e sulla soddisfazione complessiva dei clienti. Per gestire questa organizzazione, i negozi usano un planogramma, una semplice disposizione che mostra dove va collocato ogni prodotto sullo scaffale.

La conformità al planogramma è il processo di verifica della corrispondenza tra lo scaffale reale e la disposizione prevista. In molti negozi, il controllo viene ancora svolto con audit manuali e liste di controllo, un processo che può richiedere molto tempo e dare risultati incoerenti.

Fig. 1. Un planogramma a confronto con uno scaffale reale (realogramma) e i risultati del rilevamento della conformità (Fonte)

Anche piccole discrepanze, come SKU (unità di gestione delle scorte) posizionati male, prezzi errati o prodotti esauriti, possono fare la differenza. Gli SKU sono codici univoci usati per identificare e tracciare le singole varianti di prodotto, per esempio taglie o gusti diversi. Questi problemi riducono la disponibilità dei prodotti sugli scaffali e possono causare mancate vendite.

Ecco perché i rivenditori si affidano sempre più alla visione artificiale e al riconoscimento delle immagini. Queste tecnologie di AI possono analizzare le immagini degli scaffali acquisite dalle telecamere dei negozi, rilevare automaticamente i prodotti e verificare che siano posizionati correttamente. I modelli di AI per la visione come Ultralytics YOLO26 rendono questo processo rapido, accurato e pratico negli ambienti reali dei negozi.

In questo articolo vedremo come creare un sistema per rilevare la conformità al planogramma usando Ultralytics YOLO26. Iniziamo!

Cos’è la conformità al planogramma?#

La conformità al planogramma aiuta a mantenere coerente la disposizione dei negozi, garantisce prezzi e promozioni corretti, migliora la gestione delle scorte e consente ai clienti di trovare più facilmente i prodotti sugli scaffali.

Consiste nel disporre i prodotti secondo una disposizione predefinita o un planogramma. La disposizione stabilisce dove collocare ogni prodotto, quante facings deve avere (il numero di prodotti posti nella parte anteriore dello scaffale e visibili ai clienti) e quali prodotti devono essere posizionati uno accanto all’altro.

Sia i rivenditori sia i marchi di beni di largo consumo (CPG) si affidano ai planogrammi. I rivenditori li usano per organizzare gli scaffali e mantenere la coerenza tra i negozi, mentre i marchi CPG li usano per assicurarsi che i propri prodotti siano esposti correttamente e abbiano la giusta visibilità.

Fig. 2. Corrispondenza tra un planogramma e la disposizione effettiva di uno scaffale (Fonte)

Gli audit dei planogrammi prevedono il confronto tra uno scaffale reale e la disposizione prevista. Questo comprende la verifica che gli SKU corretti si trovino nelle posizioni giuste e che sia mantenuto il numero di facings richiesto.

Potresti chiederti se la posizione di un prodotto sullo scaffale faccia davvero la differenza. Ma quando i prodotti si assomigliano, anche piccoli errori di collocazione possono renderli più difficili da trovare o confondere i clienti.

Questo può influire sull’accuratezza dei prezzi e sulle decisioni dei clienti. Mantenere la conformità permette di tenere gli scaffali in ordine e migliora l’esperienza dei clienti.

Usare la computer vision per verificare la conformità ai planogrammi#

Tradizionalmente, i negozi al dettaglio hanno verificato la conformità ai planogrammi tramite controlli manuali e liste di controllo. Il personale dei negozi ispeziona la disposizione degli scaffali, verifica il posizionamento e il numero di facing dei prodotti e registra le osservazioni.

Tuttavia, questo processo può richiedere molto tempo, essere difficile da estendere a più negozi e spesso porta a incongruenze nelle modalità di controllo. Il settore della vendita al dettaglio sta adottando rapidamente la computer vision, un campo dell'intelligenza artificiale che consente ai sistemi di analizzare e comprendere le immagini, per gestire meglio questi controlli di conformità.

Questi sistemi usano telecamere per acquisire immagini degli scaffali ed elaborarle con modelli addestrati a riconoscere i singoli prodotti. I modelli di computer vision come Ultralytics YOLO26 supportano attività di visione come il rilevamento degli oggetti e la segmentazione di istanze, consentendo di identificare e localizzare con precisione i prodotti sugli scaffali dei negozi.

Fig. 3. Esempio di utilizzo di YOLO26 per rilevare e segmentare i prodotti su uno scaffale di un negozio (Fonte)

Usare Ultralytics YOLO26 per questo caso d'uso è semplice anche perché è disponibile già pronto all'uso come modello preaddestrato, che offre un'ottima base di partenza e può essere addestrato su misura con dati di scaffali al dettaglio per riconoscere prodotti specifici.

Sulla base di questi rilevamenti, un sistema di rilevamento della conformità ai planogrammi può mappare le posizioni dei prodotti sullo scaffale e confrontarle con la disposizione prevista. Con questo approccio, i rivenditori possono superare i controlli manuali e monitorare continuamente gli scaffali a livello di negozio.

Possono rilevare i prodotti a livello di SKU, individuare errori di posizionamento e migliorare la disponibilità a scaffale e l'esecuzione complessiva.

Come funziona il rilevamento della conformità ai planogrammi basato sull'IA#

Prima di approfondire come usare Ultralytics YOLO26 per rilevare la conformità ai planogrammi, facciamo un passo indietro e vediamo come il rilevamento dei prodotti e il confronto della disposizione si combinano in questi sistemi.

Un sistema di conformità ai planogrammi opera generalmente in due fasi principali. Per prima cosa, un modello come Ultralytics YOLO26 analizza le immagini degli scaffali per rilevare e classificare i prodotti. Per ogni rilevamento, il modello fornisce anche informazioni sulla posizione che indicano dove si trova ciascun prodotto sullo scaffale.

In seguito, questi rilevamenti vengono organizzati in una disposizione strutturata dello scaffale. I prodotti vengono raggruppati in base alla loro posizione, in genere per file di scaffali, così da rappresentare la disposizione degli articoli nel mondo reale.

Fig. 4. Ultralytics YOLO26 può favorire la conformità ai planogrammi. (Fonte)

Questa disposizione strutturata viene quindi confrontata con il planogramma previsto. Il sistema verifica che gli SKU corretti si trovino nelle posizioni giuste, che venga mantenuto il numero richiesto di facing e che non manchino prodotti o che non siano fuori posto.

Combinando il rilevamento dei prodotti con il confronto della disposizione, il sistema può individuare le differenze tra la disposizione prevista e quella effettiva dello scaffale. I risultati possono essere presentati in report di conformità o dashboard che evidenziano i problemi a livello di negozio.

In questo modo, i team dei negozi possono capire rapidamente cosa non va, intervenire per correggere la situazione e mantenere un'esecuzione coerente delle attività di vendita al dettaglio.

Preparare un dataset per creare un sistema di conformità ai planogrammi#

Il primo passo per creare un sistema di conformità ai planogrammi consiste nel preparare un dataset ben strutturato. Questo significa raccogliere immagini di scaffali provenienti da diversi ambienti di vendita al dettaglio. La qualità e la varietà di questi dati influiscono direttamente sulle prestazioni del modello.

Anche i dataset pubblici possono essere usati come punto di partenza. Tuttavia, poiché la disposizione dei negozi, gli assortimenti di prodotti e la configurazione degli scaffali variano da un rivenditore all'altro, spesso non rispecchiano appieno le condizioni reali.

Per ottenere prestazioni affidabili, di solito è necessario creare un dataset personalizzato per l'ambiente del negozio di destinazione. I dati possono essere raccolti usando foto degli scaffali acquisite da telecamere installate in negozio o da dispositivi mobili in diversi punti vendita.

Oltre ai dati del mondo reale, è possibile usare configurazioni simulate degli scaffali per creare scenari controllati. Combinando entrambi i tipi di dati, il modello può funzionare in modo più affidabile in diversi ambienti di vendita al dettaglio.

È inoltre fondamentale acquisire immagini in diverse condizioni reali dei negozi, ad esempio con variazioni nella disposizione, nella configurazione degli scaffali, nel posizionamento dei prodotti, nell'illuminazione, nelle angolazioni delle telecamere e nell'organizzazione degli scaffali. Raccogliendo dati vari e realistici, il modello può imparare a generalizzare tra i negozi e supportare il rilevamento accurato della conformità ai planogrammi su larga scala.

Panoramica sull'etichettatura di un dataset di vendita al dettaglio#

Dopo aver raccolto i dati, il passaggio successivo è l'annotazione. Ogni prodotto in un'immagine viene etichettato disegnandogli intorno un riquadro di delimitazione, così che il modello possa imparare a riconoscere i diversi SKU.

Durante l'etichettatura è importante definire classi chiare. È possibile farlo a diversi livelli di dettaglio, in base al planogramma.

A livello di SKU, ogni variante di prodotto, ad esempio una marca, una dimensione o un gusto specifici, viene etichettata separatamente. A livello di categoria, è possibile raggruppare prodotti simili, ad esempio tutte le bibite o tutti gli snack.

Strumenti come la Ultralytics Platform, un ambiente end-to-end per gestire dataset, annotazione, addestramento e distribuzione, possono semplificare questo processo. Supporta sia l'annotazione manuale sia l'etichettatura assistita dall'IA, in cui i modelli suggeriscono annotazioni che possono essere esaminate e perfezionate, contribuendo a migliorare velocità e coerenza.

Addestrare Ultralytics YOLO26 per il rilevamento dei prodotti#

Una volta preparato ed etichettato il dataset, il passaggio successivo è addestrare YOLO26 a rilevare i prodotti sugli scaffali dei negozi. Puoi farlo usando il pacchetto Python Ultralytics o la Ultralytics Platform.

Il pacchetto Python Ultralytics offre flessibilità per creare pipeline personalizzate e integrare l'addestramento nei workflow esistenti. Analogamente, la Ultralytics Platform fornisce un ambiente unificato in cui puoi gestire l'annotazione e i dataset, configurare l'addestramento, eseguire esperimenti e monitorare i risultati da un'unica dashboard.

Offre inoltre opzioni GPU cloud per un addestramento scalabile e supporta la distribuzione, riducendo la necessità di configurare l'infrastruttura o gestire le dipendenze.

Prima di avviare l'addestramento, ecco alcuni altri fattori importanti da considerare:

• Suddivisione del dataset: il dataset va suddiviso in set di addestramento, convalida e test. Questo aiuta a valutare quanto bene il modello generalizza su nuovi dati e a evitare l'overfitting.
• Selezione del modello: i modelli Ultralytics YOLO26 sono disponibili in diverse dimensioni, così puoi bilanciare velocità e precisione in base alle esigenze della distribuzione.
• Configurazione dell'addestramento: parametri come la dimensione del batch, la dimensione dell'immagine e il numero di epoche possono influire sia sulla velocità di addestramento sia sulle prestazioni del modello.

Al termine dell'addestramento, è possibile valutare il modello usando metriche come precisione, richiamo e mAP (precisione media). Queste metriche consentono di misurare con quanta precisione il modello rileva i prodotti e quanto riesce a evitare gli errori.

Se le prestazioni del modello non sono sufficienti, è possibile migliorare il dataset e la configurazione dell'addestramento. Questo può includere l'applicazione dell'aumento dei dati, l'aggiunta di immagini più varie o il bilanciamento delle classi in cui alcuni SKU compaiono meno frequentemente.

Integrare la logica di conformità ai planogrammi#

Dopo aver addestrato e valutato il modello, il passaggio successivo consiste nel creare la logica che esegue i controlli di conformità ai planogrammi. Questo comporta la strutturazione dei dati degli scaffali e il loro confronto con la disposizione prevista.

Ecco una panoramica del funzionamento di questo processo:

• Definire la disposizione prevista dello scaffale: per prima cosa, la disposizione prevista dello scaffale viene definita usando il planogramma e rappresentata come una griglia strutturata di righe e colonne. Ogni posizione della griglia corrisponde a uno SKU specifico e rispecchia la disposizione prevista dei prodotti nello spazio dello scaffale.
• Organizzare i prodotti rilevati: in seguito, i rilevamenti del modello vengono disposti in base alla loro posizione sullo scaffale. Usando le coordinate, i prodotti vengono ordinati e raggruppati per file di scaffali, trasformando i rilevamenti grezzi in una disposizione strutturata che rispecchia quella effettiva dello scaffale.
• Confrontare la disposizione prevista con quella effettiva: la disposizione strutturata dello scaffale viene quindi confrontata con il planogramma previsto per individuare le differenze. Se un prodotto rilevato non corrisponde allo SKU previsto, viene contrassegnato come fuori posto. Se manca un prodotto in una posizione, viene segnalato come mancante. Questo passaggio può servire anche a verificare che venga mantenuto il numero richiesto di facing.
• Generare i risultati di conformità: infine, è possibile produrre un report di conformità per ogni scaffale, evidenziando le non conformità, le deviazioni e le discrepanze. Questi risultati possono essere condivisi tramite dashboard per aiutare i team a individuare e risolvere rapidamente i problemi.

Distribuire un modello di visione per la conformità ai planogrammi#

Dopo aver creato una soluzione che integra il rilevamento dei prodotti e la logica di conformità, il passaggio successivo è distribuirla in un ambiente di vendita al dettaglio. A seconda del caso d'uso e dell'infrastruttura, ci sono diverse opzioni da considerare per la distribuzione.

Una possibilità è distribuire il modello su dispositivi edge, come server installati nei negozi o hardware integrato. Questi sistemi vengono collocati vicino alle telecamere, così le immagini degli scaffali possono essere elaborate sul posto, riducendo la latenza e consentendo il monitoraggio in tempo reale.

Un'altra possibilità è la distribuzione basata sul cloud, in cui le immagini vengono inviate a server remoti per l'elaborazione. Questo può semplificare la gestione e l'estensione delle distribuzioni a più sedi, soprattutto quando è necessario un monitoraggio centralizzato.

Nell'ecosistema Ultralytics sono disponibili diverse opzioni che supportano questi scenari di distribuzione. Ad esempio, usando il pacchetto Python Ultralytics, i modelli YOLO26 possono essere esportati in diversi formati, come ONNX, TensorRT o CoreML.

Questo permette di eseguire i modelli su un'ampia gamma di hardware, incluse unità di elaborazione grafica (GPUs), unità di elaborazione centrale (CPUs), dispositivi mobili e sistemi integrati, a seconda delle esigenze di distribuzione.

La Ultralytics Platform offre invece opzioni di distribuzione integrate che semplificano test, integrazione e distribuzione in produzione. Puoi testare i modelli direttamente nel browser, integrarli nelle applicazioni usando API di inferenza condivise oppure distribuirli su endpoint dedicati per un utilizzo scalabile in produzione.

Supporta inoltre l'esportazione dei modelli per eseguirli su sistemi esterni o dispositivi edge, semplificando il passaggio dallo sviluppo alla distribuzione nel mondo reale. La piattaforma include anche strumenti di monitoraggio che aiutano a tenere traccia delle prestazioni dopo la distribuzione e a garantire un funzionamento affidabile nel tempo.

Vantaggi dell'uso dell'IA visiva per rilevare la conformità ai planogrammi#

Ecco alcuni dei principali vantaggi dell'uso di Ultralytics YOLO26 per creare un sistema di conformità ai planogrammi:

• Adattabile a diversi ambienti di vendita al dettaglio: Ultralytics YOLO26 può essere riaddestrato o perfezionato con nuovi dati, adattandosi così a diverse disposizioni dei negozi, assortimenti di prodotti e variazioni regionali.
• Ottimizza il processo decisionale basato sui dati: i dati di conformità possono essere aggregati tra i negozi per individuare tendenze, misurare le prestazioni e migliorare le strategie di vendita al dettaglio.
• Monitoraggio continuo in tempo reale: Ultralytics YOLO26 è ottimizzato per un'inferenza a bassa latenza, che consente di analizzare continuamente le immagini degli scaffali e rilevare in tempo reale i cambiamenti nel posizionamento dei prodotti sui dispositivi edge.
• Integrazione con i sistemi di vendita al dettaglio: un sistema di rilevamento della conformità ai planogrammi basato su Ultralytics YOLO26 può essere integrato con sistemi di inventario, POS (punto vendita) o analisi per offrire una visione più completa delle prestazioni del negozio.

Punti chiave#

La conformità ai planogrammi è fondamentale per mantenere un posizionamento accurato dei prodotti e operazioni di vendita al dettaglio coerenti. Combinando il rilevamento dei prodotti con il confronto della disposizione, i negozi possono ridurre i controlli manuali e verificare gli scaffali con maggiore precisione. Con modelli come Ultralytics YOLO26, questi sistemi possono essere usati in più negozi e contribuire a prendere decisioni migliori grazie ai dati a livello di punto vendita.

Vuoi integrare l'IA visiva nei tuoi progetti? Unisciti alla nostra community attiva e scopri di più sull'IA visiva nel commercio al dettaglio e sulla computer vision nella robotica. Esplora il nostro repository GitHub per saperne di più. Dai un'occhiata alle nostre opzioni di licenza per iniziare!