Uso di Ultralytics YOLO26 per il rilevamento della conformità al planogramma

Tutti siamo entrati in un negozio per comprare qualcosa come pane o cereali, abbiamo passato qualche minuto a scrutare gli scaffali e poi ci siamo resi conto di non riuscire a trovarlo. A volte si trova nel posto sbagliato, a volte è esaurito e a volte semplicemente si confonde con tutto il resto sullo scaffale.

Per i rivenditori, mantenere i prodotti al posto giusto è più importante di quanto possa sembrare. Influisce sulla facilità con cui i clienti trovano gli articoli e può avere un impatto diretto sulle vendite e sulla soddisfazione complessiva dei clienti. Per gestire questo aspetto, i negozi usano un planogramma, una semplice disposizione che mostra dove dovrebbe essere collocato ogni prodotto su uno scaffale.

La conformità al planogramma è il processo di verifica della corrispondenza tra lo scaffale reale e la disposizione prevista. In molti negozi, questa attività viene ancora svolta tramite audit manuali e checklist, che possono richiedere molto tempo ed essere incoerenti.

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

Anche piccole discrepanze, come SKU (unità di gestione delle scorte) collocati in modo errato, prezzi incorrecti o prodotti esauriti, possono fare la differenza. Gli SKU sono codici univoci utilizzati per identificare e monitorare le singole varianti di prodotto, ad esempio formati o gusti diversi. Questi problemi riducono la disponibilità a scaffale e possono causare una perdita di vendite.

Ecco perché i rivenditori si affidano sempre più alla visione artificiale e al riconoscimento delle immagini. Queste tecnologie di intelligenza artificiale possono analizzare le immagini degli scaffali acquisite dalle telecamere del negozio, rilevare automaticamente i prodotti e verificare che siano collocati correttamente. I modelli di IA per la visione, come Ultralytics YOLO26, rendono questo processo rapido, accurato e pratico da utilizzare in veri ambienti di vendita al dettaglio.

In questo articolo vedremo come creare un sistema di rilevamento della conformità al planogramma utilizzando Ultralytics YOLO26. Iniziamo!

Che cos'è la conformità al planogramma?#

La conformità al planogramma contribuisce a mantenere coerenti le disposizioni dei negozi, supporta la correttezza di prezzi e promozioni, migliora la gestione dell'inventario e facilita la ricerca dei prodotti sugli scaffali da parte dei clienti.

Si riferisce alla disposizione dei prodotti secondo una disposizione predefinita o un planogramma. Questa disposizione definisce dove collocare ogni prodotto, quanti facing deve avere (il numero di prodotti collocati sul fronte dello scaffale e visibili ai clienti) e quali prodotti devono essere posizionati uno accanto all'altro.

Sia i rivenditori sia i marchi di beni confezionati di 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 loro prodotti siano esposti correttamente e godano della giusta visibilità.

Fig. 2. Un esempio di planogramma corrispondente alla disposizione effettiva di uno scaffale (Fonte)

Il processo di audit dei planogrammi consiste nel confrontare uno scaffale reale con una disposizione prevista. Include la verifica che gli SKU corretti si trovino nelle posizioni giuste e che venga mantenuto il numero richiesto di facing.

Potresti chiederti se la posizione di un prodotto su uno scaffale faccia davvero la differenza. Tuttavia, quando i prodotti hanno un aspetto simile, anche piccoli errori di posizionamento possono rendere gli articoli più difficili da trovare o confondere i clienti.

Questo può influire sulla correttezza dei prezzi e sulle decisioni dei clienti. Mantenere la conformità tiene gli scaffali organizzati e migliora l'esperienza dei clienti.

Utilizzare la visione artificiale per la conformità al planogramma#

Tradizionalmente, i negozi al dettaglio hanno mantenuto la conformità al planogramma tramite audit manuali e checklist. Il personale del negozio ispeziona la disposizione degli scaffali, verifica il posizionamento dei prodotti e dei facing e registra le osservazioni.

Tuttavia, questo processo può richiedere molto tempo, essere difficile da scalare su più negozi e spesso porta a incoerenze nel modo in cui vengono effettuati i controlli. Il settore della vendita al dettaglio sta adottando rapidamente la visione artificiale, un campo dell'intelligenza artificiale che consente ai sistemi di analizzare e comprendere le immagini, per gestire meglio questi controlli di conformità.

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

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

Utilizzare Ultralytics YOLO26 per questo caso d'uso è inoltre semplice, poiché è disponibile immediatamente come modello pretrained, offre un solido punto di partenza e può essere addestrato su misura con dati di scaffali di negozi per riconoscere prodotti specifici.

Sulla base di questi rilevamenti, un sistema di rilevamento della conformità al planogramma può mappare le posizioni dei prodotti sullo scaffale e confrontarle con le disposizioni previste. Con questo approccio, i rivenditori possono andare oltre i controlli manuali e monitorare continuamente gli scaffali a livello di negozio.

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

Capire come funziona il rilevamento della conformità al planogramma basato sull'IA#

Prima di approfondire come utilizzare Ultralytics YOLO26 per il rilevamento della conformità al planogramma, facciamo un passo indietro e comprendiamo come il rilevamento dei prodotti e il confronto delle disposizioni si combinano in questi sistemi.

Un sistema di conformità al planogramma funziona generalmente in due fasi principali. Per prima cosa, un modello come Ultralytics YOLO26 analizza le immagini degli scaffali per rilevare e classificare i prodotti. Insieme a ogni rilevamento, il modello fornisce informazioni sulla posizione che mostrano dove compare ciascun prodotto sullo scaffale.

Successivamente, questi rilevamenti vengono organizzati in una disposizione strutturata dello scaffale. I prodotti vengono raggruppati in base alle loro posizioni, in genere in file di scaffali, per rispecchiare il modo in cui gli articoli sono disposti nel mondo reale.

Fig. 4. Ultralytics YOLO26 può abilitare la conformità al planogramma. (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 stati collocati in modo errato.

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

Questo permette ai team dei negozi di capire rapidamente cosa non va, intraprendere azioni correttive e mantenere un'esecuzione coerente delle attività di vendita al dettaglio.

Preparare un dataset per creare un sistema di conformità al planogramma#

Il primo passo per creare un sistema di conformità al planogramma è preparare un dataset ben strutturato. Questo comporta la raccolta di immagini degli scaffali provenienti da diversi ambienti di vendita al dettaglio. La qualità e la diversità di questi dati influiscono direttamente sulle prestazioni del modello.

Anche i dataset pubblici possono essere utilizzati come punto di partenza. Tuttavia, poiché le disposizioni dei negozi, gli assortimenti dei prodotti e la configurazione degli scaffali variano da un rivenditore all'altro, spesso non corrispondono pienamente alle condizioni del mondo reale.

Per ottenere prestazioni affidabili, di solito è necessario creare un dataset personalizzato, adattato all'ambiente del negozio di destinazione. I dati possono essere raccolti utilizzando foto degli scaffali acquisite dalle telecamere del negozio o da dispositivi mobili in diverse sedi di vendita al dettaglio.

Oltre ai dati del mondo reale, è possibile utilizzare configurazioni simulate degli scaffali per creare scenari controllati. La combinazione di entrambi consente al modello di funzionare in modo più affidabile in diversi ambienti di negozio.

È inoltre fondamentale acquisire diverse condizioni reali dei negozi, come cambiamenti nelle disposizioni, nella configurazione degli scaffali, nel posizionamento dei prodotti, nell'illuminazione, nelle angolazioni delle telecamere e nell'organizzazione degli scaffali. Raccogliendo dati diversificati e realistici, il modello può imparare a generalizzare tra i negozi e supportare un rilevamento accurato della conformità al planogramma su larga scala.

Panoramica dell'etichettatura di un dataset per la vendita al dettaglio#

Una volta raccolti i dati, il passaggio successivo è l'annotazione. Ogni prodotto presente in un'immagine viene etichettato disegnandovi attorno dei riquadri di delimitazione, così il modello può imparare a riconoscere SKU diversi.

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

A livello di SKU, ogni variante di prodotto, come uno specifico marchio, formato o gusto, viene etichettata separatamente. A livello di categoria, i prodotti simili possono essere raggruppati, ad esempio tutte le bevande analcoliche o tutti gli snack.

Strumenti come la Ultralytics Platform, un ambiente end-to-end per gestire dataset, annotazione, addestramento e deployment, possono semplificare questo processo. Supporta sia l'annotazione manuale sia l'etichettatura assistita dall'IA, in cui i modelli possono suggerire annotazioni che possono essere verificate 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 consiste nell'addestrare YOLO26 a rilevare i prodotti sugli scaffali dei negozi. È possibile farlo utilizzando il pacchetto Python di Ultralytics o Ultralytics Platform.

Il pacchetto Python di Ultralytics offre flessibilità per creare pipeline personalizzate e integrare l'addestramento nei workflow esistenti. Allo stesso modo, Ultralytics Platform offre un ambiente unificato in cui puoi gestire annotazioni e 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 il deployment, riducendo la necessità di configurare l'infrastruttura o gestire le dipendenze.

Prima di iniziare l'addestramento, ecco alcuni altri fattori chiave da considerare:

• Suddivisione del dataset: Il dataset deve essere suddiviso in set di addestramento, validazione e test. Questo aiuta a valutare quanto bene il modello generalizza a nuovi dati e previene l'overfitting.
• Selezione del modello: I modelli Ultralytics YOLO26 sono disponibili in diverse dimensioni, permettendoti di bilanciare velocità e accuratezza in base alle esigenze di deployment.
• Configurazione dell'addestramento: Parametri come la dimensione del batch, la dimensione delle immagini e il numero di epoche possono influire sia sulla velocità di addestramento sia sulle prestazioni del modello.

Al termine dell'addestramento, il modello può essere valutato utilizzando metriche come precisione, richiamo e mAP (precisione media). Queste metriche permettono di misurare con quale accuratezza il modello rileva i prodotti e quanto bene evita gli errori.

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

Integrare la logica di conformità al planogramma#

Il passaggio successivo all'addestramento e alla valutazione di un modello consiste nel creare la logica che esegue i controlli di conformità al planogramma. Questo comporta la strutturazione dei dati dello scaffale 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 utilizzando il planogramma e rappresentata come una griglia strutturata con righe e colonne. Ogni posizione della griglia corrisponde a uno SKU specifico e riflette il modo in cui i prodotti dovrebbero essere disposti nello spazio dello scaffale.
• Organizzare i prodotti rilevati: I rilevamenti del modello vengono quindi disposti in base alla loro posizione sullo scaffale. Utilizzando le coordinate, i prodotti vengono ordinati e raggruppati in file di scaffali, convertendo i rilevamenti grezzi in una disposizione strutturata che rispecchia l'effettiva configurazione dello scaffale.
• Confrontare le disposizioni prevista ed effettiva: Successivamente, la disposizione strutturata dello scaffale viene confrontata con il planogramma previsto per identificare le differenze. Se un prodotto rilevato non corrisponde allo SKU previsto, viene contrassegnato come collocato in modo errato. Se manca un prodotto in una posizione, questa viene segnalata come mancante. Questo passaggio può essere utilizzato anche per 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 non conformità, deviazioni e discrepanze. Questi risultati possono essere condivisi tramite dashboard per aiutare i team a identificare e risolvere rapidamente i problemi.

Distribuire un modello di visione per la conformità al planogramma#

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

Un'opzione consiste nel distribuire il modello su dispositivi edge, come server del negozio o hardware embedded. Questi sistemi vengono collocati vicino alle telecamere, così le immagini degli scaffali possono essere elaborate nel punto in cui vengono acquisite, consentendo una bassa latenza e il monitoraggio in tempo reale.

Un'altra opzione è il deployment basato sul cloud, in cui le immagini vengono inviate a server remoti per l'elaborazione. Questo può semplificare la gestione e la scalabilità dei deployment in più sedi, soprattutto quando è richiesto un monitoraggio centralizzato.

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

Questo consente di eseguire i modelli su un'ampia gamma di hardware, tra cui unità di elaborazione grafica (GPU), unità di elaborazione centrale (CPU), dispositivi mobili e sistemi embedded, a seconda delle esigenze di deployment.

Nel frattempo, Ultralytics Platform offre opzioni di deployment integrate che semplificano test, integrazione e deployment in produzione. I modelli possono essere testati direttamente nel browser, integrati nelle applicazioni utilizzando API di inferenza condivise o distribuiti su endpoint dedicati per un utilizzo scalabile in produzione.

Supporta inoltre l'esportazione dei modelli per l'esecuzione su sistemi esterni o dispositivi edge, facilitando il passaggio dallo sviluppo al deployment nel mondo reale. La piattaforma include anche strumenti di monitoraggio che aiutano a tenere sotto controllo le prestazioni dopo il deployment e ad assicurare un funzionamento affidabile nel tempo.

Vantaggi dell'utilizzo dell'IA per la visione nel rilevamento della conformità al planogramma#

Ecco alcuni dei principali vantaggi dell'utilizzo di Ultralytics YOLO26 per creare un sistema di conformità al planogramma:

• Adattabile a diversi ambienti di vendita al dettaglio: Ultralytics YOLO26 può essere riaddestrato o sottoposto a fine-tuning su nuovi dati, rendendolo adattabile a diverse disposizioni dei negozi, assortimenti di prodotti e variazioni regionali.
• Ottimizza il processo decisionale basato sui dati: I dati sulla conformità possono essere aggregati tra i negozi per identificare tendenze, misurare le prestazioni e migliorare le strategie di vendita al dettaglio.
• Monitoraggio continuo in tempo reale: Ultralytics YOLO26 è ottimizzato per l'inferenza a bassa latenza, consentendo l'analisi continua delle immagini degli scaffali e il rilevamento in tempo reale dei cambiamenti nel posizionamento dei prodotti sui dispositivi edge.
• Integrazione con i sistemi di vendita al dettaglio: Un sistema di rilevamento della conformità al planogramma 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 al planogramma è fondamentale per mantenere un posizionamento accurato dei prodotti e operazioni di vendita al dettaglio coerenti. Combinando il rilevamento dei prodotti con il confronto delle disposizioni, i negozi possono ridurre gli audit manuali e controllare gli scaffali con maggiore accuratezza. Con modelli come Ultralytics YOLO26, questi sistemi possono essere utilizzati in più negozi e supportare decisioni migliori grazie ai dati a livello di negozio.

Vuoi portare l'IA per la visione nei tuoi progetti? Unisciti alla nostra community attiva e scopri di più sull'IA per la visione nella vendita al dettaglio e sulla visione artificiale nella robotica. Esplora il nostro repository GitHub per saperne di più. Scopri le nostre opzioni di licenza per iniziare!