小売現場ではどのようにコンピュータビジョンが使用されますか？

小売におけるコンピュータビジョンは、カメラとAIモデルを使用して、棚の監視、チェックアウトの自動化、顧客行動の分析、損失防止を行います。Ultralytics YOLOモデルは、店舗全体でこれらのチェックをリアルタイムに実行し、在庫切れ、プラノグラムの不備、異常な動きなどを発生時に即座に通知します。

小売のためのコンピュータビジョンとは何ですか？

小売のためのコンピュータビジョンは、AIモデルを使用して店舗内カメラ、チェックアウトシステム、バックヤードのセンサーからの視覚データを解釈し、棚モニタリング、在庫追跡、顧客分析を自動化します。Ultralytics YOLO26はディープラーニングを使用して、ルールベースのシステムでは見逃される微妙な変化を認識し、セットアップを再構築することなく新しい製品や店舗レイアウトに適応します。

小売分析においてコンピュータビジョンはどのように使用されますか？

小売分析におけるコンピュータビジョンは、ビデオフィードを客数、通路での滞在時間、行列の長さ、顧客デモグラフィックなどの指標に変換します。Ultralytics YOLOモデルは空間ロジックを処理し、買い物客がゾーンに入ったときや列に並んだときを特定するため、店舗チームは観察された行動に基づいて人員配置やレイアウトを調整できます。

どのコンピュータビジョンプラットフォームが小売業務に適していますか？

小売業務には、特定の製品や店舗レイアウトでモデルトレーニングを処理し、低レイテンシでプライバシーを保護した推論のために店舗内のエッジデバイスへデプロイできるプラットフォームを検討してください。Ultralytics Platformは、アノテーション、トレーニング、デプロイメントを1箇所でカバーしており、本番環境向けのenterprise licensingも利用可能です。

損失防止および棚モニタリングにコンピュータビジョンはどのように使用されますか？

コンピュータビジョンは、セルフレジでのSKU置換の検出、高額商品の盗難監視、プラノグラムコンプライアンスの検証、POSでの例外イベントのフラグ立てを行うことで損失防止をサポートします。Ultralytics YOLOは、既存のCCTVや新しいエッジカメラで実行され、在庫損失が記録された後ではなく、数秒以内にスタッフへ警告を発します。

YOLOは小売規模のリアルタイム検知に対応していますか？

はい。Ultralytics YOLO26はNMSフリーのアーキテクチャを採用しており、混雑した店舗での重複検知を削減します。また、標準的なエッジハードウェアで高スループットな推論を行うためにTensorRTへエクスポート可能です。月間数千万件の製品検知を実行する小売環境では、この組み合わせを活用することで、数千台のカメラ全体で低レイテンシを実現しています。

小売におけるコンピュータビジョン

棚のモニタリングから顧客インサイトまで、Ultralytics YOLOを活用して小売向けのリアルタイムビジョンAIソリューションを構築しましょう。

世界有数の組織から信頼されています

Ultralytics YOLOが小売業の課題にどう取り組むか

チームと共に働くリアルタイムAI

小売向けに構築されたUltralytics YOLOは、既存のインフラストラクチャを活用して、高精度で高速、かつ本番環境に対応したコンピュータビジョンのためにワークフローを合理化します。

プラグアンドプレイのデプロイメント：最小限のオーバーヘッドでデプロイでき、統合時間を数日に短縮します。
検出精度：製品、棚、顧客、店舗運営全体にわたる最先端のリアルタイム検出。
5ミリ秒未満の推論: 20種類のエクスポートフォーマットを使用したエッジ、クラウド、またはオンプレミスでのデプロイ。
数時間で本番環境へ：アノテーション、トレーニング、デプロイにより、市場投入までの時間を短縮します。

ライセンスをリクエストする

小売における実績ある成果

チェックアウトから棚、そして在庫管理に至るまで、近年の導入事例はUltralytics YOLOが小売業者にもたらす成果を証明しています。

摩擦のないチェックアウト89%

正確かつ迅速なセルフチェックアウト

Ultralytics YOLOによるセルフチェックアウトは、89% mAP・約110 FPSで製品を認識し、1つずつではなくカメラで買い物かご全体をスキャンします。

Tan 他、Journal of Imaging誌、2024年

棚の在庫状況86%

空の棚を早期に発見

Ultralytics YOLOの棚監視機能は、86% APで空きスペースを特定し、店舗が品切れを把握して販売機会を逃す前に補充できるようにします。

Šikić 他、Sensors誌、2024年

リアルタイムの在庫管理357 FPS

混雑した棚をリアルタイムでスキャン

軽量なUltralytics YOLO検出器が、ベースラインの3倍となる357 FPSで陳列棚をスキャンし、安価なカメラで在庫をライブ追跡します。

Zhao 他、PLoS One誌、2025年

YOLO26推論を試す

画像をドラッグ＆ドロップして、リアルタイムの物体検出を確認してください

ライブデモ

入力画像

画像をアップロードするか、サンプルを選択してテストしてください yolo26n. Predictのドキュメント

画像をここにドロップ

またはクリックして参照

JPEG、PNG、WebP、AVIF、HEIC、JP2、TIFF、BMPなどをサポート（最大10MB）

またはサンプルを試す

信頼度

0.25

IoU

0.70

画像サイズ

640

APIドキュメント

モデルをデプロイして、APIキー認証を備えた専用の推論エンドポイントを取得してください。その後、以下のプレースホルダーURLとキーをデプロイ値に置き換えてください。デプロイのドキュメント

注意: これはコード例です。まずモデルをデプロイして、エンドポイントURLとAPIキーを取得してください。

import requests

# Replace with your deployment URL and API key
url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"

# Optional inference parameters (conf, iou, imgsz)
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())