プラノグラムコンプライアンス検出のためのUltralytics YOLO26の利用

パンやシリアルなどの商品を買うために店を訪れ、棚を数分間探した末に結局見つからなかったという経験は、誰にでもあるでしょう。商品が間違った場所に置かれていることもあれば、在庫切れの場合もあり、棚にある他の商品に紛れてしまっていることもあります。

小売業者にとって、商品を適切な場所に維持することは、思っている以上に重要です。それは顧客がどれだけ容易に商品を見つけられるかに影響を与え、売上や全体的な顧客満足度に直接影響する可能性があります。これを管理するために、店舗では棚のどこに各商品を配置すべきかを示すシンプルなレイアウト図である「プラノグラム」を使用します。

プラノグラム準拠（コンプライアンス）とは、実際の棚が想定されるレイアウトと一致しているかを確認するプロセスです。多くの店舗では、依然として手作業による監査やチェックリストで行われており、これには時間がかかり、一貫性を保つのも困難です。

図1：プラノグラムと実際の棚（レアルグラム）の準拠検出結果の比較 (ソース)

SKU（在庫管理単位）の配置ミス、不適切な価格設定、あるいは在庫切れといった小さな不一致であっても、大きな影響を与える可能性があります。SKUは、サイズやフレーバーの違いなど、個々の製品バリエーションを特定・追跡するために使用される固有のコードです。これらの問題は店頭での可用性を低下させ、売上の損失につながる恐れがあります。

そのため、小売業者はコンピュータビジョンや画像認識にますます注目しています。これらのAI技術を活用することで、店内カメラで撮影された棚の画像を解析し、商品を自動検出し、正しく配置されているかを確認できます。 Ultralytics YOLO26 のようなビジョンAIモデルを使用することで、実際の店舗環境において、このプロセスを高速、高精度、かつ実用的に実行できるようになります。

この記事では、Ultralytics YOLO26を使用してプラノグラム準拠検出システムを構築する方法を詳しく解説します。さっそく始めましょう！

Link to this sectionプラノグラム準拠とは何でしょうか？#

プラノグラム準拠は、店舗レイアウトの一貫性を保ち、正確な価格設定やプロモーションをサポートし、在庫管理を改善し、顧客が棚の商品を見つけやすくするのに役立ちます。

これは、事前に定義されたレイアウトまたはプラノグラムに従って商品を配置することを指します。このレイアウトでは、各商品をどこに配置すべきか、フェイシング数（棚の最前面に並べられ、顧客から見える商品の数）をいくつにするか、どの商品を隣同士に配置すべきかが定義されます。

小売業者と消費財（CPG）ブランドは、どちらもプラノグラムを活用しています。小売業者は棚を整理し店舗全体で一貫性を維持するために使用し、CPGブランドは自社製品が適切に陳列され、十分な視認性を確保されていることを確認するために使用します。

図2：実際の棚レイアウトと照合するプラノグラムの様子 (ソース)

プラノグラム監査のプロセスには、実際の棚と期待されるレイアウトとの比較が含まれます。これには、正しいSKUが正しい位置にあるか、また必要な数のフェイシングが維持されているかを確認する作業が含まれます。

棚への製品配置が本当に重要なのか疑問に思うかもしれません。しかし、製品の見た目が似ている場合、わずかな配置ミスであっても、商品を見つけにくくさせたり、顧客を混乱させたりする可能性があります。

これは価格の正確性や顧客の意思決定に影響を与える可能性があります。準拠を維持することは、棚を整理された状態に保ち、顧客体験を向上させることにつながります。

Link to this sectionプラノグラム準拠のためのコンピュータビジョンの活用#

従来、小売店は手作業による監査やチェックリストを通じてプラノグラム準拠を維持してきました。店員が棚のレイアウトを検査し、商品の配置やフェイシングを確認して、観測結果を記録しています。

しかし、このプロセスは時間がかかり、複数の店舗に展開するのが難しく、チェック方法に一貫性が欠けることもよくあります。小売業界では、システムが画像を解析して理解することを可能にする人工知能の一分野であるコンピュータビジョンを急速に導入し、これらの準拠チェックをより適切に処理するようになっています。

これらのシステムはカメラを使用して棚の画像をキャプチャし、学習済みモデルを用いて処理することで個々の製品を認識します。 Ultralytics YOLO26 のようなコンピュータビジョンモデルは、物体検出やインスタンスセグメンテーションといったビジョンタスクをサポートしており、小売棚上の商品を正確に特定して位置を把握することが可能です。

図3：YOLO26を使用して小売棚の製品を検出およびセグメンテーションする例 (ソース)

このユースケースにYOLO26を使用するのは非常に簡単です。なぜなら、事前学習済みモデルとしてすぐに利用でき、強力な出発点となるだけでなく、特定の製品を認識するように小売棚データでカスタム学習させることも可能だからです。

これらの検出結果に基づき、プラノグラム準拠検出システムは棚上の製品位置をマッピングし、期待されるレイアウトと比較できます。このアプローチにより、小売業者は手作業によるチェックから脱却し、店舗レベルで継続的に棚を監視できるようになります。

SKU単位で製品を検出し、配置ミスを特定し、店頭での可用性と全体的な業務遂行を改善することが可能です。

Link to this sectionAI駆動型のプラノグラム準拠検出の仕組みを理解する#

プラノグラム準拠検出にYOLO26をどのように活用するかを掘り下げる前に、一歩引いて、これらのシステムにおいて製品検出とレイアウト比較がどのように連携しているかを理解しましょう。

プラノグラム準拠システムは通常、2つの主要な段階で動作します。まず、Ultralytics YOLO26のようなモデルが棚の画像を解析し、製品を検出・分類します。検出のたびに、モデルは各製品が棚のどこに表示されているかを示す位置情報を提供します。

次に、これらの検出結果が構造化された棚レイアウトに整理されます。実際の環境で商品がどのように配置されているかを反映させるため、商品はその位置に基づいて（通常は棚の行ごとに）グループ化されます。

図4：YOLO26はプラノグラム準拠を実現できる (ソース)

この構造化されたレイアウトは、次に期待されるプラノグラムと比較されます。システムは、正しいSKUが正しい位置にあるか、必要なフェイシング数が維持されているか、製品が不足または誤配置されていないかを確認します。

製品検出とレイアウト比較を組み合わせることで、システムは期待される棚の配置と実際の棚の配置との間の違いを特定できます。その結果は、準拠レポートやダッシュボードとして提示され、店舗レベルでの問題を強調表示します。

これにより、店舗チームは迅速に何が問題かを把握し、是正措置を講じ、一貫した小売業務を維持することがシームレスになります。

Link to this sectionプラノグラム準拠システム構築のためのデータセット準備#

プラノグラム準拠システム構築の最初のステップは、適切に構造化されたデータセットを準備することです。これには、さまざまな小売環境から棚の画像を集めることが含まれます。このデータの質と多様性が、モデルのパフォーマンスに直接影響します。

公開データセットを出発点として使用することもできます。しかし、店舗レイアウト、製品ラインナップ、棚の配置は小売業者ごとに異なるため、現実世界の条件と完全には一致しないことがよくあります。

信頼性の高いパフォーマンスを得るためには、ターゲットとなる店舗環境に合わせて調整されたカスタムデータセットを作成することが通常必要です。データは、さまざまな小売拠点の店内カメラやモバイルデバイスで撮影された棚の写真を使用して収集できます。

実際のデータに加え、シミュレーションされた棚のセットアップを使用して管理されたシナリオを作成することもできます。両者を組み合わせることで、モデルはさまざまな店舗環境でより確実に動作するようになります。

また、レイアウトの変更、棚の配置、製品の陳列、照明、カメラアングル、棚の整理状況など、実際の店舗のさまざまな状態を捉えることも重要です。多様で現実的なデータを収集することで、モデルは店舗をまたいで汎用化し、大規模で正確なプラノグラム準拠検出をサポートできるようになります。

Link to this section小売データセットのラベル付けの概要#

データが収集されたら、次のステップはアノテーションです。画像内の各製品の周囲に境界ボックス（バウンディングボックス）を描画してラベル付けを行うことで、モデルがさまざまなSKUを認識できるようにします。

ラベル付けの際、明確なクラスを定義することが重要です。これは、プラノグラムに応じて、詳細レベルを変えて行うことができます。

SKUレベルでは、特定のブランド、サイズ、フレーバーなどの各製品バリエーションに個別にラベルを付けます。カテゴリレベルでは、すべての清涼飲料水やすべてのスナック菓子のように、類似した製品をグループ化できます。

Ultralytics Platform のようなツールは、データセット管理、アノテーション、学習、デプロイメントのためのエンドツーエンドの環境を提供し、このプロセスを簡素化できます。手動アノテーションとAI支援ラベル付けの両方をサポートしており、モデルがアノテーションを提案し、それをレビュー・修正することで、速度と一貫性の向上を支援します。

Link to this section製品検出のためのUltralytics YOLO26の学習#

データセットの準備とラベル付けが完了したら、次のステップはYOLO26を学習させて小売棚上の製品を検出することです。これは、Ultralytics PythonパッケージまたはUltralytics Platformを使用して行えます。

Ultralytics Pythonパッケージは、カスタムパイプラインの構築や既存のワークフローへの学習の統合に柔軟性を提供します。同様に、Ultralytics Platformは、アノテーションの処理、データセット管理、学習設定、実験の実行、結果の監視を単一のダッシュボードから行える統一された環境を提供します。

また、スケーラブルな学習のためのクラウドGPUオプションも提供し、インフラストラクチャの設定や依存関係の管理の手間を軽減します。

学習を開始する前に、考慮すべきその他の重要な要素がいくつかあります。

• データセットの分割： データセットは、学習、検証、テストの各セットに分割する必要があります。これは、モデルが新しいデータに対してどれだけ汎用性があるかを評価し、過学習を回避するのに役立ちます。
• モデルの選択： YOLO26モデルには異なるサイズがあり、デプロイメントのニーズに基づいて速度と精度のバランスを取ることができます。
• 学習設定： バッチサイズ、画像サイズ、エポック数などのパラメータは、学習速度とモデルパフォーマンスの両方に影響を与える可能性があります。

学習完了後、精度（Precision）、再現率（Recall）、mAP（平均適合率）などのメトリクスを使用してモデルを評価できます。これらのメトリクスにより、モデルがどれだけ正確に製品を検出し、エラーをどれだけ回避できているかを測定できます。

モデルのパフォーマンスが不十分な場合は、データセットや学習設定を改善できます。これには、データ拡張の適用、より多様な画像の追加、特定のSKUの出現頻度が低い場合のクラスバランスの調整などが含まれます。

Link to this sectionプラノグラム準拠ロジックの統合#

モデルの学習と評価が完了した後の次のステップは、プラノグラム準拠チェックを実行するロジックを構築することです。これには棚データを構造化し、期待されるレイアウトと比較する作業が含まれます。

このプロセスがどのように機能するかの概要を以下に示します。

• 期待される棚レイアウトの定義： まず、プラノグラムを使用して期待される棚レイアウトを定義し、行と列を持つ構造化されたグリッドとして表します。グリッド内の各位置は特定のSKUに対応しており、棚スペースに製品がどのように配置されるべきかを反映しています。
• 検出された製品の整理： 次に、モデルの検出結果を棚上の位置に基づいて整理します。座標を使用して製品を並べ替え、棚の行ごとにグループ化することで、生の検出結果を実際の棚の配置を反映した構造化レイアウトに変換します。
• 期待されるレイアウトと実際のレイアウトの比較： 次に、構造化された棚レイアウトを期待されるプラノグラムと比較し、違いを特定します。検出された製品が期待されるSKUと一致しない場合は「誤配置」としてマークされます。ある位置から製品が欠落している場合は「欠落」としてフラグが立てられます。このステップを使用して、必要なフェイシング数が維持されているかを確認することも可能です。
• 準拠結果の生成： 最後に、各棚の準拠レポートを作成し、非準拠、逸脱、不一致を強調表示できます。これらの出力はダッシュボードを通じて共有され、チームが迅速に問題を特定し、対処するのに役立ちます。

Link to this sectionプラノグラム準拠のためのビジョンモデルのデプロイ#

製品検出と準拠ロジックを統合したソリューションを構築したら、次のステップは小売店舗環境へのデプロイです。ユースケースやインフラストラクチャに応じて、デプロイに際して考慮すべきいくつかのオプションがあります。

一つの選択肢は、店内サーバーや組み込みハードウェアなどのエッジデバイスにモデルをデプロイすることです。これらのシステムはカメラの近くに配置されるため、棚の画像をキャプチャされたその場で処理でき、低レイテンシかつリアルタイムの監視が可能になります。

別の選択肢はクラウドベースのデプロイであり、画像をリモートサーバーに送信して処理します。これは、特に一元管理が必要な場合に、複数の拠点にわたるデプロイの管理と拡張を容易にする可能性があります。

Ultralyticsのエコシステム内には、これらの異なるデプロイシナリオをサポートするいくつかの選択肢があります。たとえば、Ultralytics Pythonパッケージを使用して、学習済みのYOLO26 モデルをエクスポートし、ONNX、TensorRT、CoreMLなどのさまざまな形式に変換できます。

これにより、デプロイのニーズに応じて、GPU、CPU、モバイルデバイス、組み込みシステムなど、幅広いハードウェア上でモデルを実行することが可能になります。

一方、Ultralytics Platformは、テスト、統合、本番デプロイを簡素化する組み込みのデプロイオプションを提供します。モデルはブラウザ内で直接テストしたり、共有推論APIを使用してアプリケーションに統合したり、スケーラブルな本番環境での利用のために専用エンドポイントへデプロイしたりできます。

また、外部システムやエッジデバイス上で実行するためのモデルエクスポートもサポートしており、開発から現実世界へのデプロイへの移行が容易になります。これに加えて、プラットフォームにはデプロイ後のパフォーマンスを追跡し、長期にわたって信頼性の高い運用を保証する監視ツールが含まれています。

Link to this sectionプラノグラム準拠検出にビジョンAIを使用する利点#

YOLO26を使用してプラノグラム準拠システムを構築する主な利点をいくつか紹介します。

• さまざまな小売環境に適応可能： YOLO26は新しいデータで再学習やファインチューニングが可能なため、異なる店舗レイアウト、製品品揃え、地域的な違いに適応できます。
• データ駆動型の意思決定を最適化： 準拠データを店舗間で集約して、傾向の特定、パフォーマンスの測定、小売戦略の改善に役立てることができます。
• リアルタイムの継続的監視： YOLO26は低レイテンシの推論に最適化されており、棚の画像の継続的な解析と、エッジデバイス上での商品配置変更のリアルタイム検出を可能にします。
• 小売システムとの統合： YOLO26を搭載したプラノグラム準拠検出システムは、在庫管理、POS（販売時点情報管理）、または分析システムと統合し、店舗パフォーマンスのより完全な全体像を提供できます。

Link to this section重要なポイント#

プラノグラム準拠は、正確な製品配置と一貫した小売業務を維持するために不可欠です。製品検出とレイアウト比較を組み合わせることで、店舗は手作業による監査を削減し、より正確に棚をチェックできるようになります。YOLO26のようなモデルがあれば、このようなシステムを複数の店舗で活用し、店舗レベルのデータを用いてより良い意思決定をサポートすることも可能です。

プロジェクトにビジョンAIを導入してみませんか？私たちの活発なコミュニティに参加し、小売におけるビジョンAIやロボット工学におけるコンピュータビジョンについて学びましょう。詳細については、GitHubリポジトリをご覧ください。ライセンスオプションを確認して、今すぐ始めましょう！