プラノグラム遵守検出にUltralytics YOLO26を活用する

パンやシリアルなどを買いに店に入って、数分間棚を探した末に、見つけられないことに気づいた経験は誰にでもあるでしょう。置き場所が違っていたり、在庫切れだったり、棚の商品に紛れて目立たなかったりすることがあります。

小売業者にとって、商品を正しい場所に置くことは、見た目以上に重要です。顧客が商品をどれだけ簡単に見つけられるかに影響し、売上や顧客満足度全体にも直接影響する可能性があります。これを管理するために、店舗ではプラノグラムを使います。これは、各商品を棚のどこに置くべきかを示す簡単なレイアウトです。

プラノグラム準拠の確認とは、実際の棚が想定されたレイアウトに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、今も手作業の監査やチェックリストを使っており、時間がかかるうえ、結果にばらつきが生じることがあります。

図1. プラノグラムと実際の棚（リアログラム）、および準拠検出の結果（出典）

SKU（在庫管理単位）の陳列位置の間違い、価格設定の誤り、商品の在庫切れといった小さな不一致も影響を及ぼすことがあります。SKUは、サイズや味の違いなど、個々の商品バリエーションを識別して追跡するための一意のコードです。こうした問題は棚上の在庫状況を悪化させ、販売機会の損失につながる可能性があります。

そのため、小売業者はコンピュータービジョンや画像認識の導入を進めています。こうしたAIテクノロジーは、店内カメラで撮影した棚の画像を分析し、商品を自動的に検出して、正しく陳列されているかを確認できます。Ultralytics YOLO26のようなビジョンAIモデルを使えば、実際の店舗環境でもこのプロセスを迅速かつ正確に、実用的な形で実施できます。

この記事では、Ultralytics YOLO26を使ってプラノグラム準拠を検出するシステムの構築方法を順を追って説明します。さっそく始めましょう！

プラノグラム準拠とは何ですか？#

プラノグラム準拠を確保すると、店舗レイアウトの一貫性を保ち、正確な価格設定や販促を支援し、在庫管理を改善できます。また、顧客が棚から商品を見つけやすくなります。

これは、事前に定められたレイアウト、つまりプラノグラムに従って商品を陳列することを指します。このレイアウトでは、各商品を置く場所、フェイス数（棚の前面に置かれ、顧客から見える商品の数）、隣り合わせに陳列する商品が定められています。

小売業者と消費財メーカー（CPG）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、店舗間の一貫性を保つために使い、消費財メーカーは自社製品が正しく陳列され、適切な視認性を確保できるように使います。

図2. プラノグラムと実際の棚のレイアウトの照合（出典）

プラノグラム監査では、実際の棚と想定されたレイアウトを比較します。正しいSKUが適切な位置にあるか、必要なフェイス数が維持されているかを確認します。

商品を棚のどこに置くかが本当に違いを生むのか、疑問に思うかもしれません。しかし、商品同士の見た目が似ている場合は、わずかな陳列ミスでも商品が見つけにくくなったり、顧客が迷ったりする原因になります。

これは、価格の正確性や顧客の購買判断に影響する可能性があります。準拠を維持すると棚が整理され、顧客体験が向上します。

コンピュータービジョンを活用した棚割り遵守#

従来、小売店舗では、手作業による監査やチェックリストを通じて棚割りの遵守状況を管理してきました。店舗スタッフが棚のレイアウトを確認し、商品の配置やフェイス数を検証して、その結果を記録します。

しかし、このプロセスには時間がかかり、複数店舗への展開が難しい場合があります。また、チェック方法にばらつきが生じることも少なくありません。小売業界では、画像を分析して理解するシステムを可能にする人工知能の一分野であるコンピュータービジョンを急速に導入し、こうした遵守状況の確認をより適切に行おうとしています。

これらのシステムはカメラで棚の画像を撮影し、学習済みモデルで処理して個々の商品を認識します。Ultralytics YOLO26のようなコンピュータービジョンモデルは、物体検出やインスタンスセグメンテーションなどのビジョンタスクに対応しており、小売店の棚にある商品を正確に識別して位置を特定できます。

図3. YOLO26を使用して小売店の棚の商品を検出・セグメンテーションする例（出典）

この用途でUltralytics YOLO26を使うのも簡単です。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ほか、小売店の棚のデータでカスタム学習させて特定の商品を認識させることもできます。

これらの検出結果に基づいて、棚割り遵守状況の検出システムは棚の商品位置をマッピングし、想定されるレイアウトと比較できます。この方法により、小売業者は手作業によるチェックから脱却し、店舗単位で棚を継続的に監視できます。

SKUレベルで商品を検出し、配置ミスを特定するとともに、棚上の在庫可用性と店舗運営全体の実行品質を向上できます。

AIを活用した棚割り遵守状況の検出の仕組み#

Ultralytics YOLO26を使った棚割り遵守状況の検出方法を詳しく見る前に、まず、これらのシステムで商品検出とレイアウト比較がどのように連携するのかを確認しましょう。

棚割り遵守システムは通常、主に2つの段階で動作します。まず、Ultralytics YOLO26のようなモデルが棚の画像を分析し、商品を検出して分類します。モデルは各検出結果とともに位置情報を出力し、棚のどこに商品があるかを示します。

次に、検出結果を整理して、構造化された棚のレイアウトを作成します。実際の商品配置を反映するため、商品は位置に基づいて、通常は棚の段ごとにグループ化されます。

図4. Ultralytics YOLO26は棚割り遵守を可能にします。（出典）

この構造化されたレイアウトを、想定される棚割りと比較します。システムは、正しいSKUが適切な位置にあるか、必要なフェイス数が維持されているか、商品が欠品または誤配置されていないかを確認します。

商品検出とレイアウト比較を組み合わせることで、想定される棚の配置と実際の配置の違いを特定できます。結果は遵守状況レポートやダッシュボードで表示でき、店舗単位の問題を明らかにします。

これにより、店舗チームは問題をすばやく把握し、是正措置を講じ、一貫した小売業務を維持しやすくなります。

棚割り遵守システム構築に向けたデータセットの準備#

棚割り遵守システムを構築する最初のステップは、適切に構成されたデータセットを準備することです。そのために、さまざまな小売環境の棚画像を収集します。データの品質と多様性は、モデルの性能に直接影響します。

公開データセットを出発点として利用することもできます。しかし、店舗のレイアウト、商品構成、棚の配置は小売業者ごとに異なるため、公開データセットだけでは実環境を十分に反映できないことがよくあります。

安定した性能を得るには、対象となる店舗環境に合わせたカスタムデータセットの作成が通常必要です。さまざまな小売店舗で、店内カメラやモバイルデバイスを使って棚の写真を撮影し、データを収集できます。

実環境のデータに加えて、管理されたシナリオを作成するために、棚のシミュレーション環境を利用できます。両方を組み合わせることで、さまざまな店舗環境でモデルの信頼性を高められます。

レイアウトの変更、棚の配置、商品の置き方、照明、カメラアングル、棚の整理状態など、実際の店舗におけるさまざまな状況を撮影することも重要です。多様で現実的なデータを収集すれば、モデルは店舗をまたいで汎化し、大規模な棚割り遵守状況の検出を正確に支援できるようになります。

小売データセットのアノテーション概要#

データを収集したら、次はアノテーションです。画像内の商品ごとにバウンディングボックスを描いてラベル付けし、モデルがさまざまなSKUを認識できるようにします。

ラベル付けでは、明確なクラスを定義することが重要です。棚割りに応じて、詳細度の異なるレベルで定義できます。

SKUレベルでは、特定のブランド、サイズ、フレーバーなど、商品バリエーションごとに個別のラベルを付けます。カテゴリレベルでは、清涼飲料やスナックなど、類似商品をまとめて分類できます。

データセット管理、アノテーション、学習、デプロイを一貫して行える環境であるUltralytics Platformのようなツールを使うと、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に対応しており、モデルが提案したアノテーションを確認して調整できるため、作業の速度と一貫性を向上できます。

商品検出に向けた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、次はYOLO26を学習させて小売店の棚の商品を検出します。Ultralytics PythonパッケージまたはUltralytics Platformを使用して学習できます。

Ultralytics Pythonパッケージを使うと、カスタムパイプラインを構築し、既存のワークフローに学習を統合する際の柔軟性が高まります。同様に、Ultralytics Platformは、アノテーション、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合環境を提供します。

また、スケーラブルな学習に向けたクラウドGPUの選択肢を提供し、デプロイにも対応しているため、インフラの構築や依存関係の管理が不要になります。

学習を始める前に、次の重要な要素も検討してください。

• データセットの分割: データセットは、学習用、検証用、テスト用に分割する必要があります。これにより、新しいデータに対するモデルの汎化性能を評価し、過学習を防げます。
• モデルの選択: Ultralytics YOLO26モデルにはさまざまなサイズがあり、デプロイの要件に合わせて速度と精度のバランスを調整できます。
• 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ーは、学習速度とモデルの性能の両方に影響します。

学習が完了したら、適合率、再現率、mAP（平均適合率）などの指標を使ってモデルを評価できます。これらの指標により、モデルがどれだけ正確に商品を検出し、誤りをどれだけ回避できるかを測定できます。

モデルの性能が十分でない場合は、データセットや学習設定を改善できます。データ拡張の適用、多様な画像の追加、一部のSKUの出現頻度が低い場合のクラスバランス調整などが考えられます。

棚割り遵守ロジックの統合#

モデルの学習と評価の次のステップは、棚割り遵守状況を確認するロジックの構築です。棚データを構造化し、想定されるレイアウトと比較します。

このプロセスの概要は次のとおりです。

• 想定される棚のレイアウトを定義する: まず、棚割りを使って想定される棚のレイアウトを定義し、行と列からなる構造化グリッドで表します。グリッド内の各位置は特定のSKUに対応し、棚のスペースに商品をどのように配置するかを示します。
• 検出した商品を整理する: 次に、モデルの検出結果を棚の位置に基づいて整理します。座標を使って商品を並べ替え、棚の段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する構造化レイアウトに変換します。
• 想定レイアウトと実際のレイアウトを比較する: 次に、構造化された棚のレイアウトを想定される棚割りと比較し、違いを特定します。検出した商品が想定されるSKUと一致しない場合は、誤配置として記録します。ある位置に商品がない場合は、欠品としてフラグを付けます。このステップでは、必要なフェイス数が維持されているかどうかも確認できます。
• 遵守状況の結果を生成する: 最後に、棚ごとの遵守状況レポートを作成し、遵守違反、逸脱、相違点を明らかにします。結果をダッシュボードで共有することで、チームは問題をすばやく特定して対処できます。

棚割り遵守向けビジョンモデルのデプロイ#

商品検出と遵守ロジックを統合したソリューションを構築したら、次は小売店舗環境にデプロイします。ユースケースやインフラに応じて、いくつかのデプロイ方法を検討できます。

店舗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方法があります。これらのシステムをカメラの近くに設置すれば、棚画像を撮影場所で処理できるため、低レイテンシーとリアルタイム監視を実現できます。

もう1つの方法は、画像をリモートサーバーに送って処理するクラウドベースのデプロイです。特に一元的な監視が必要な場合、複数の場所にまたがるデプロイの管理と拡張が容易になります。

Ultralyticsエコシステムには、こうしたさまざまなデプロイシナリオに対応する選択肢がいくつかあります。たとえば、Ultralytics Pythonパッケージを使用すると、学習済みのYOLO26 モデルをエクスポートし、ONNX、TensorRT、CoreMLなどの形式に変換できます。

これにより、デプロイ要件に応じて、グラフィックス処理ユニット (GPUs)、中央処理装置 (CPUs)、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でモデルを実行できます。

一方、Ultralytics Platformには、テスト、統合、本番環境へのデプロイを簡素化するデプロイオプションが組み込まれています。ブラウザーでモデルを直接テストしたり、共有の推論APIを使ってアプリケーションに統合したり、スケーラブルな本番利用に向けて専用エンドポイントに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で実行するためのモデルのエクスポートにも対応しており、開発から実環境へのデプロイを容易にします。さらに、デプロイ後の性能を追跡し、長期にわたる安定した運用を確保するための監視ツールも備えています。

棚割り遵守状況の検出にビジョンAIを活用するメリット#

棚割り遵守システムの構築にUltralytics YOLO26を使う主なメリットは次のとおりです。

• さまざまな小売環境に適応: Ultralytics YOLO26は新しいデータで再学習やファインチューニングができるため、異なる店舗レイアウト、商品構成、地域ごとの違いに適応できます。
• データに基づく意思決定を最適化: 店舗間で遵守状況データを集約することで、傾向を特定し、性能を測定して、小売戦略を改善できます。
• リアルタイムの継続的な監視: Ultralytics YOLO26は低レイテンシーの推論に最適化されており、棚画像の継続的な分析と、エッジデバイス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: Ultralytics YOLO26を活用した棚割り遵守状況の検出システムは、在庫管理システム、POS（販売時点情報管理）、分析システムと統合し、店舗の業績をより包括的に把握できます。

重要なポイント#

棚割り遵守は、正確な商品配置と一貫した小売業務を維持するうえで欠かせません。商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減らし、棚をより正確に確認できます。Ultralytics YOLO26のようなモデルを使えば、こうしたシステムを複数店舗で活用でき、店舗単位のデータに基づくより良い意思決定も支援できます。

プロジェクトにビジョンAIを取り入れませんか？活発なコミュニティに参加し、小売業におけるビジョンAIやロボティクスにおけるコンピュータービジョンについて学びましょう。GitHubリポジトリで詳細をご確認ください。始めるには、ライセンスオプションをご覧ください。