Scopri come creare un sistema di verifica della conformità dei planogrammi utilizzando modelli di intelligenza artificiale visiva come Ultralytics per detect i prodotti detect e automatizzare i controlli sugli scaffali dei negozi.
A tutti è capitato di entrare in un negozio per comprare qualcosa come il pane o i cereali, passare qualche minuto a dare un'occhiata agli scaffali e poi rendersi conto di non riuscire a trovarlo. A volte è nel posto sbagliato, a volte è esaurito e a volte semplicemente si confonde con tutto il resto sullo scaffale.
Per i rivenditori, collocare i prodotti nel posto giusto è più importante di quanto possa sembrare. Questo influisce sulla facilità con cui i clienti riescono a trovare gli articoli e può incidere direttamente sulle vendite e sulla soddisfazione complessiva dei clienti. Per gestire questo aspetto, i negozi utilizzano un planogramma, ovvero una semplice schema che indica dove deve essere collocato ogni prodotto sullo scaffale.
La conformità al planogramma è il processo volto a verificare se la disposizione effettiva degli scaffali corrisponde a quella prevista. In molti negozi, questa operazione viene ancora effettuata tramite controlli manuali e liste di controllo, il che può richiedere molto tempo e comportare incongruenze.
Anche piccole discrepanze, come codici SKU (Stock Keeping Unit) assegnati in modo errato, prezzi sbagliati o prodotti esauriti, possono fare la differenza. Gli SKU sono codici univoci utilizzati per identificare e track le track varianti di un prodotto, come le diverse taglie o i diversi gusti. Questi problemi riducono la disponibilità in negozio e possono comportare una perdita di vendite.
Ecco perché i rivenditori ricorrono sempre più spesso alla visione artificiale e al riconoscimento delle immagini. Queste tecnologie basate sull'intelligenza artificiale sono in grado di analizzare le immagini degli scaffali riprese dalle telecamere presenti nei negozi, detect automaticamente detect e verificare se sono posizionati correttamente. I modelli di visione artificiale come Ultralytics rendono questo processo veloce, accurato e pratico da utilizzare negli ambienti reali dei negozi.
In questo articolo vedremo come realizzare un sistema di rilevamento della conformità dei planogrammi utilizzando Ultralytics . Cominciamo!
Il rispetto del planogramma contribuisce a mantenere un layout uniforme nei punti vendita, garantisce l'accuratezza dei prezzi e delle promozioni, migliora la gestione delle scorte e aiuta i clienti a individuare più facilmente i prodotti sugli scaffali.
Si tratta di disporre i prodotti secondo una disposizione prestabilita o un planogramma. Tale disposizione definisce dove deve essere collocato ciascun prodotto, quanti frontali deve avere (il numero di prodotti posizionati nella parte anteriore dello scaffale e visibili ai clienti) e quali prodotti devono essere posizionati uno accanto all'altro.
Sia i rivenditori che i marchi di beni di largo consumo (CPG) fanno affidamento sui planogrammi. I rivenditori li utilizzano per organizzare gli scaffali e garantire l'uniformità tra i vari punti vendita, mentre i marchi CPG li impiegano per assicurarsi che i propri prodotti siano esposti correttamente e ottengano la giusta visibilità.
Il processo di verifica dei planogrammi prevede il confronto tra la disposizione effettiva degli scaffali e quella prevista. Ciò comporta verificare che gli articoli corretti siano collocati nelle posizioni giuste e che sia rispettato il numero richiesto di esposizioni.
Forse ti starai chiedendo se la posizione di un prodotto sullo scaffale faccia davvero la differenza. Ma quando i prodotti sembrano simili, anche piccoli errori di posizionamento possono rendere gli articoli più difficili da trovare o creare confusione nei clienti.
Ciò può influire sull'accuratezza dei prezzi e sulle decisioni dei clienti. Il rispetto delle norme garantisce l'ordine sugli scaffali e migliora l'esperienza dei clienti.
Tradizionalmente, i negozi al dettaglio hanno garantito il rispetto dei planogrammi tramite controlli manuali e liste di verifica. Il personale del negozio ispeziona la disposizione degli scaffali, verifica il posizionamento dei prodotti e l'esposizione delle confezioni e registra le proprie osservazioni.
Tuttavia, questo processo può richiedere molto tempo, è difficile da estendere a più punti vendita e spesso porta a incongruenze nelle modalità di esecuzione dei controlli. Il settore della vendita al dettaglio sta rapidamente adottando 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 e le elaborano tramite modelli addestrati per riconoscere i singoli prodotti. I modelli di visione artificiale come Ultralytics supportano attività quali il rilevamento di oggetti e la segmentazione di istanze, consentendo di identificare e localizzare con precisione i prodotti sugli scaffali dei negozi.
L'utilizzo di YOLO26 in questo caso d'uso è inoltre molto semplice, poiché è disponibile immediatamente come modello preaddestrato, fornendo un ottimo punto di partenza, e può essere addestrato su misura utilizzando i dati relativi agli scaffali dei negozi per riconoscere prodotti specifici.
Sulla base di questi rilevamenti, un sistema di monitoraggio della conformità dei planogrammi è in grado di mappare la posizione dei prodotti sugli scaffali e confrontarla con la disposizione prevista. Grazie a questo approccio, i rivenditori possono andare oltre i controlli manuali e monitorare gli scaffali in modo continuo a livello di punto vendita.
Sono in grado di detect a livello di SKU, individuare errori di posizionamento e migliorare la disponibilità a scaffale e l'efficienza operativa complessiva.
Prima di approfondire come utilizzare YOLO26 per il rilevamento della conformità dei planogrammi, facciamo un passo indietro per capire come il rilevamento dei prodotti e il confronto della disposizione si integrino in questi sistemi.
Un sistema di verifica della conformità dei planogrammi funziona solitamente in due fasi principali. Innanzitutto, un modello come Ultralytics analizza le immagini degli scaffali per detect classify . Ad ogni rilevamento, il modello fornisce informazioni sulla posizione che indicano dove si trova ciascun prodotto sullo scaffale.
Successivamente, questi dati vengono organizzati in una struttura a scaffali. I prodotti vengono raggruppati in base alla loro posizione, solitamente in file di scaffali, per rispecchiare la disposizione degli articoli nel mondo reale.
Questo schema strutturato viene quindi confrontato con il planogramma previsto. Il sistema verifica che gli SKU corretti si trovino nelle posizioni giuste, che venga rispettato il numero richiesto di esposizioni e che non vi siano prodotti mancanti o collocati in modo errato.
Combinando il rilevamento dei prodotti con il confronto della disposizione degli scaffali, il sistema è in grado di individuare le differenze tra la disposizione prevista e quella effettiva. I risultati possono essere presentati sotto forma di rapporti di conformità o dashboard che evidenziano eventuali problemi a livello di punto vendita.
In questo modo, il personale del negozio può individuare rapidamente il problema, adottare le misure correttive necessarie e garantire un'esecuzione coerente delle attività di vendita.
Il primo passo per creare un sistema di verifica della conformità dei planogrammi consiste nel preparare un set di dati ben strutturato. Ciò comporta la raccolta di immagini degli scaffali provenienti da diversi punti vendita. La qualità e la varietà di questi dati influiscono direttamente sulle prestazioni del modello.
Anche i set di dati pubblici possono essere utilizzati come punto di partenza. Tuttavia, poiché la disposizione dei negozi, l'assortimento dei prodotti e la disposizione degli scaffali variano da un rivenditore all'altro, spesso non rispecchiano appieno le condizioni reali.
Per garantire prestazioni affidabili, è solitamente necessario creare un set di dati personalizzato e adattato all'ambiente del punto vendita di destinazione. I dati possono essere raccolti utilizzando le foto degli scaffali scattate dalle telecamere presenti in negozio o dai dispositivi mobili in diversi punti vendita.
Oltre ai dati reali, 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 rilevare le diverse condizioni reali dei punti vendita, quali i cambiamenti nella disposizione degli spazi, la disposizione degli scaffali, il posizionamento dei prodotti, l'illuminazione, le angolazioni delle telecamere e l'organizzazione degli scaffali. Grazie alla raccolta di dati diversificati e realistici, il modello può imparare a generalizzare i risultati tra i vari punti vendita e garantire un rilevamento accurato della conformità ai planogrammi su larga scala.
Una volta raccolti i dati, il passo successivo è l'annotazione. Ogni prodotto presente in un'immagine viene etichettato tracciando dei riquadri di delimitazione attorno ad esso, in modo che il modello possa imparare a riconoscere i diversi codici prodotto.
Durante l'etichettatura, è importante definire categorie chiare. Ciò può essere fatto a diversi livelli di dettaglio, a seconda del planogramma.
A livello di SKU, ogni variante di prodotto, come una marca, una taglia o un gusto specifici, viene contrassegnata separatamente. A livello di categoria, è possibile raggruppare prodotti simili, come tutte le bevande analcoliche o tutti gli snack.
Strumenti come la Ultralytics , un ambiente end-to-end per la gestione dei set di dati, l'annotazione, l'addestramento e l'implementazione, possono semplificare questo processo. Supporta sia l'annotazione manuale che l'etichettatura assistita dall'intelligenza artificiale, in cui i modelli possono suggerire annotazioni che possono essere riviste e perfezionate, contribuendo a migliorare la velocità e l'uniformità.
Una volta preparato ed etichettato il set di dati, il passo successivo consiste nell'addestrare YOLO26 al detect sugli scaffali dei negozi. Ciò può essere fatto utilizzando il Python Ultralytics o Ultralytics .
Python Ultralytics offre la flessibilità necessaria per creare pipeline personalizzate e integrare l'addestramento nei flussi di lavoro esistenti. Allo stesso modo, la Ultralytics offre un ambiente unificato che consente di gestire le annotazioni, amministrare i set di dati, configurare l'addestramento, eseguire esperimenti e monitorare i risultati da un'unica dashboard.
Offre inoltre GPU su cloud per un addestramento scalabile e supporta l'implementazione, riducendo la necessità di configurare infrastrutture o gestire dipendenze.
Prima di iniziare l'allenamento, ecco alcuni altri fattori fondamentali da tenere in considerazione:
Una volta completato l'addestramento, il modello può essere valutato utilizzando metriche quali precisione, richiamo e mAP precisione media). Queste metriche consentono di misurare l'accuratezza con cui il modello rileva i prodotti e la sua capacità di evitare errori.
Se le prestazioni del modello non sono sufficientemente efficaci, è possibile migliorare il set di dati e la configurazione dell'addestramento. Ciò può comportare l'applicazione di tecniche di aumento dei dati, l'aggiunta di immagini più diversificate o il bilanciamento delle classi in cui alcuni SKU compaiono con minore frequenza.
Il passo successivo, dopo l'addestramento e la valutazione di un modello, consiste nel sviluppare la logica che esegue i controlli di conformità del planogramma. Ciò comporta la strutturazione dei dati relativi agli scaffali e il loro confronto con la disposizione prevista.
Ecco una panoramica di come funziona questo processo:
Dopo aver sviluppato una soluzione che integra il riconoscimento dei prodotti e la logica di conformità, il passo successivo consiste nell'implementarla in un negozio al dettaglio. A seconda del caso d'uso e dell'infrastruttura, esistono diverse opzioni da prendere in considerazione per l'implementazione.
Una possibilità è quella di implementare il modello su dispositivi periferici, come i server presenti nei negozi o l'hardware integrato. Questi sistemi vengono collocati in prossimità delle telecamere, in modo che le immagini degli scaffali possano essere elaborate nel punto stesso in cui vengono acquisite, garantendo una bassa latenza e un monitoraggio in tempo reale.
Un'altra opzione è l'implementazione basata su cloud, in cui le immagini vengono inviate a server remoti per l'elaborazione. Ciò può semplificare la gestione e il ridimensionamento delle implementazioni su più sedi, soprattutto quando è necessario un monitoraggio centralizzato.
All'interno Ultralytics sono disponibili diverse opzioni che supportano questi diversi scenari di implementazione. Ad esempio, utilizzando ilPython Ultralytics , i modelli YOLO26 addestrati possono essere esportati in diversi formati, quali ONNX, TensorRT o CoreML.
Ciò consente di eseguire i modelli su un'ampia gamma di dispositivi hardware, tra cui unità di elaborazione grafica (GPU), unità di elaborazione centrale (CPU), dispositivi mobili e sistemi embedded, a seconda delle esigenze di implementazione.
Nel frattempo, la Ultralytics offre opzioni di implementazione integrate che semplificano il collaudo, l'integrazione e l'implementazione in produzione. I modelli possono essere testati direttamente nel browser, integrati nelle applicazioni tramite API di inferenza condivise oppure implementati su endpoint dedicati per un utilizzo in produzione scalabile.
Supporta inoltre l'esportazione dei modelli per l'esecuzione su sistemi esterni o dispositivi periferici, facilitando il passaggio dalla fase di sviluppo all'implementazione nel mondo reale. Oltre a ciò, la piattaforma include strumenti di monitoraggio che consentono track dopo l'implementazione e garantiscono un funzionamento affidabile nel tempo.
Ecco alcuni dei principali vantaggi dell'utilizzo di YOLO26 per la creazione di un sistema di verifica della conformità dei planogrammi:
Il rispetto dei planogrammi è fondamentale per garantire un posizionamento accurato dei prodotti e la coerenza delle operazioni di vendita al dettaglio. Combinando il rilevamento dei prodotti con il confronto del layout, i negozi possono ridurre i controlli manuali e verificare gli scaffali con maggiore precisione. Grazie a modelli come YOLO26, tali sistemi possono essere utilizzati in più punti vendita e consentire decisioni più efficaci sulla base dei dati raccolti a livello di negozio.
Vuoi integrare l'intelligenza artificiale visiva nei tuoi progetti? Unisciti alla nostra vivace comunità e scopri come si applica l'intelligenza artificiale visiva nel settore della vendita al dettaglio e la visione artificiale nella robotica. Esplora il nostro repository GitHub per saperne di più. Dai un'occhiata alle nostre opzioni di licenza per iniziare!
Inizia il tuo viaggio con il futuro del machine learning
