평면도 준수 감지를 위한 Ultralytics YOLO26 사용

우리 모두 빵이나 시리얼 같은 물건을 사러 매장에 들어갔다가, 매대를 몇 분간 훑어보고 나서야 찾을 수 없다는 사실을 깨달은 경험이 있습니다. 때로는 엉뚱한 곳에 놓여 있기도 하고, 재고가 없기도 하며, 매대의 다른 제품들과 섞여 보이지 않기도 합니다.

소매업체에게 제품을 적절한 위치에 유지하는 것은 생각보다 훨씬 중요합니다. 이는 고객이 얼마나 쉽게 상품을 찾을 수 있는지에 영향을 미치며, 판매량과 전체적인 고객 만족도에 직접적인 영향을 줄 수 있습니다. 이를 관리하기 위해 매장에서는 각 제품을 매대의 어디에 배치해야 하는지 보여주는 간단한 레이아웃인 플래노그램을 사용합니다.

플래노그램 준수 여부란 실제 매대 상태가 계획된 레이아웃과 일치하는지 확인하는 과정입니다. 많은 매장에서 여전히 수동 감사와 체크리스트를 통해 이 작업을 수행하고 있으며, 이는 시간 소모가 많고 일관성이 떨어질 수 있습니다.

그림 1. 준수 여부 탐지 결과가 포함된 플래노그램과 실제 매대(리얼로그램) 비교 (출처)

잘못 배치된 SKU(재고 관리 단위), 잘못된 가격 표시 또는 재고 부족과 같은 작은 불일치도 큰 차이를 만들 수 있습니다. SKU는 서로 다른 크기나 맛과 같은 개별 제품 변형을 식별하고 추적하는 데 사용되는 고유 코드입니다. 이러한 문제들은 매대 가용성을 저하시키고 매출 손실로 이어질 수 있습니다.

이것이 바로 소매업체들이 점점 더 컴퓨터 비전과 이미지 인식 기술로 눈을 돌리는 이유입니다. 이러한 AI 기술은 매장 내 카메라로 촬영한 매대 이미지를 분석하고, 제품을 자동으로 탐지하며, 올바르게 배치되었는지 확인할 수 있습니다. Ultralytics YOLO26과 같은 비전 AI 모델은 이 과정을 실제 매장 환경에서 빠르고 정확하며 실용적으로 수행할 수 있게 합니다.

본 게시물에서는 Ultralytics YOLO26을 사용하여 플래노그램 준수 여부 탐지 시스템을 구축하는 방법을 알아보겠습니다. 시작해 보겠습니다!

Link to this section플래노그램 준수란 무엇입니까?#

플래노그램 준수는 매장 레이아웃을 일관되게 유지하고, 정확한 가격 책정 및 프로모션을 지원하며, 재고 관리를 개선하고, 고객이 매대에서 제품을 더 쉽게 찾을 수 있도록 돕습니다.

이는 사전에 정의된 레이아웃이나 플래노그램에 따라 제품을 배열하는 것을 의미합니다. 이 레이아웃은 각 제품의 위치, 페이싱(매대 전면에 배치되어 고객에게 보이는 제품 수), 그리고 서로 나란히 배치해야 할 제품을 정의합니다.

소매업체와 소비재(CPG) 브랜드 모두 플래노그램에 의존합니다. 소매업체는 매대를 정리하고 매장 간 일관성을 유지하기 위해 플래노그램을 사용하며, CPG 브랜드는 자사 제품이 올바르게 진열되고 적절한 가시성을 확보하도록 하기 위해 이를 활용합니다.

그림 2. 실제 매대 레이아웃과 일치하는 플래노그램 살펴보기 (출처)

플래노그램 감사 과정에는 실제 매대와 예상 레이아웃을 비교하는 작업이 포함됩니다. 여기에는 올바른 SKU가 정확한 위치에 있는지, 필요한 수의 페이싱이 유지되고 있는지 확인하는 것이 포함됩니다.

매대 위의 제품 배치가 정말 차이를 만드는지 의문이 들 수도 있습니다. 하지만 제품들이 비슷하게 보일 때, 아주 작은 배치 오류라도 고객이 상품을 찾기 어렵게 만들거나 혼란을 줄 수 있습니다.

이는 가격 정확성과 고객의 결정에 영향을 미칠 수 있습니다. 규정을 준수하면 매대가 정리된 상태로 유지되며 고객 경험이 향상됩니다.

Link to this section플래노그램 준수를 위한 컴퓨터 비전 활용#

전통적으로 소매 매장은 수동 감사와 체크리스트를 통해 플래노그램 준수 여부를 관리해 왔습니다. 매장 직원이 매대 레이아웃을 검사하고, 제품 배치와 페이싱을 확인하며, 관찰 결과를 기록했습니다.

그러나 이 과정은 시간이 많이 소요되고 여러 매장으로 확장하기 어려우며, 종종 검사가 수행되는 방식에서 불일치가 발생합니다. 소매 업계는 이미지를 분석하고 이해할 수 있는 시스템을 가능하게 하는 인공지능의 한 분야인 컴퓨터 비전을 빠르게 채택하여 이러한 준수 확인 업무를 더 효율적으로 처리하고 있습니다.

이러한 시스템은 카메라를 사용하여 매대 이미지를 캡처하고 학습된 모델을 사용하여 개별 제품을 인식합니다. Ultralytics YOLO26과 같은 컴퓨터 비전 모델은 객체 탐지 및 인스턴스 세그멘테이션과 같은 비전 작업을 지원하여 소매 매대의 제품을 정확하게 식별하고 위치를 파악할 수 있게 합니다.

그림 3. YOLO26을 사용하여 소매 매대의 제품을 탐지하고 세그멘테이션하는 예시 (출처)

이 사례에 YOLO26을 사용하는 것 또한 간단합니다. 사전 학습된 모델로 즉시 제공되어 강력한 시작점을 제공하며, 특정 제품을 인식하기 위해 소매 매대 데이터로 맞춤 학습할 수 있기 때문입니다.

이러한 탐지 결과를 바탕으로, 플래노그램 준수 탐지 시스템은 매대 내 제품 위치를 매핑하고 예상 레이아웃과 비교할 수 있습니다. 이러한 접근 방식을 통해 소매업체는 수동 점검에서 벗어나 매장 수준에서 지속적으로 매대를 모니터링할 수 있습니다.

또한 SKU 수준에서 제품을 탐지하고, 배치 오류를 식별하며, 매대 가용성과 전반적인 실행력을 향상시킬 수 있습니다.

Link to this sectionAI 기반 플래노그램 준수 탐지 작동 원리 이해하기#

플래노그램 준수 탐지에 YOLO26을 사용하는 방법을 살펴보기 전에, 잠시 물러나 이러한 시스템에서 제품 탐지와 레이아웃 비교가 어떻게 결합되는지 이해해 보겠습니다.

플래노그램 준수 시스템은 일반적으로 두 가지 주요 단계로 작동합니다. 첫째, Ultralytics YOLO26과 같은 모델이 매대 이미지를 분석하여 제품을 탐지하고 분류합니다. 각 탐지와 함께 모델은 매대에서 각 제품이 어디에 나타나는지 보여주는 위치 정보를 제공합니다.

다음으로, 이러한 탐지 결과는 구조화된 매대 레이아웃으로 정리됩니다. 제품들은 실제 환경에서 아이템이 배열된 방식을 반영하기 위해 일반적으로 매대 행별로 위치에 따라 그룹화됩니다.

그림 4. YOLO26은 플래노그램 준수를 가능하게 합니다. (출처)

이 구조화된 레이아웃은 예상 플래노그램과 비교됩니다. 시스템은 올바른 SKU가 적절한 위치에 있는지, 필요한 수의 페이싱이 유지되고 있는지, 누락되거나 잘못 배치된 제품이 있는지 확인합니다.

제품 탐지와 레이아웃 비교를 결합함으로써, 시스템은 예상된 매대 배열과 실제 배열 간의 차이를 식별할 수 있습니다. 결과는 매장 수준에서 문제를 강조하는 준수 보고서나 대시보드 형태로 제공될 수 있습니다.

이를 통해 매장 팀은 문제점을 빠르게 파악하고 시정 조치를 취하며 일관된 소매 실행력을 유지하는 것이 원활해집니다.

Link to this section플래노그램 준수 시스템 구축을 위한 데이터셋 준비#

플래노그램 준수 시스템 구축의 첫 번째 단계는 잘 구조화된 데이터셋을 준비하는 것입니다. 여기에는 다양한 소매 환경에서 촬영한 매대 이미지를 수집하는 것이 포함됩니다. 데이터의 품질과 다양성은 모델의 성능에 직접적인 영향을 미칩니다.

공개 데이터셋도 시작점으로 사용할 수 있습니다. 그러나 매장 레이아웃, 제품 구색, 매대 배열이 소매업체마다 다르기 때문에 실제 환경과 완전히 일치하지 않는 경우가 많습니다.

신뢰할 수 있는 성능을 위해서는 대상 매장 환경에 맞춘 맞춤형 데이터셋 생성이 보통 필요합니다. 데이터는 매장 내 카메라나 모바일 기기를 사용하여 여러 매장에서 촬영한 매대 사진을 통해 수집할 수 있습니다.

실제 데이터 외에도 시뮬레이션된 매대 설정을 사용하여 제어된 시나리오를 만들 수 있습니다. 둘 다 결합하면 모델이 다양한 매장 환경에서 더 안정적으로 작동할 수 있습니다.

또한 레이아웃 변경, 매대 배열, 제품 배치, 조명, 카메라 각도 및 매대 정리 상태와 같은 다양한 실제 매장 조건을 포착하는 것이 중요합니다. 다양하고 현실적인 데이터를 수집함으로써 모델은 매장 간 차이를 일반화하고 대규모 환경에서도 정확한 플래노그램 준수 탐지를 지원할 수 있게 됩니다.

Link to this section소매 데이터셋 라벨링 개요#

데이터가 수집되면 다음 단계는 어노테이션입니다. 이미지 내의 각 제품은 모델이 서로 다른 SKU를 인식하도록 학습할 수 있도록 주위에 BBox를 그려 라벨링됩니다.

라벨링을 할 때는 명확한 클래스를 정의하는 것이 중요합니다. 이는 플래노그램에 따라 다양한 수준의 상세함으로 수행할 수 있습니다.

SKU 수준에서는 특정 브랜드, 크기 또는 맛과 같은 각 제품 변형이 개별적으로 라벨링됩니다. 카테고리 수준에서는 모든 청량음료나 모든 스낵과 같이 유사한 제품들을 함께 그룹화할 수 있습니다.

Ultralytics Platform과 같은 도구는 데이터셋 관리, 어노테이션, 학습 및 배포를 위한 엔드 투 엔드 환경을 제공하여 이 과정을 단순화합니다. 이 플랫폼은 수동 어노테이션과 AI 지원 라벨링을 모두 지원하며, 모델이 검토 및 수정 가능한 어노테이션을 제안하여 속도와 일관성을 높이는 데 도움을 줍니다.

Link to this section제품 탐지를 위한 Ultralytics YOLO26 학습#

데이터셋이 준비되고 라벨링되면, 다음 단계는 소매 매대에서 제품을 탐지하도록 YOLO26을 학습시키는 것입니다. 이는 Ultralytics Python 패키지나 Ultralytics Platform을 사용하여 수행할 수 있습니다.

Ultralytics Python 패키지는 사용자 정의 파이프라인을 구축하고 기존 워크플로우에 학습을 통합할 수 있는 유연성을 제공합니다. 마찬가지로 Ultralytics Platform은 어노테이션 처리, 데이터셋 관리, 학습 구성, 실험 실행 및 단일 대시보드에서 결과 모니터링을 할 수 있는 통합 환경을 제공합니다.

또한 확장 가능한 학습을 위한 클라우드 GPU 옵션을 제공하며 배포를 지원하므로 인프라를 설정하거나 의존성을 관리할 필요가 없습니다.

학습을 시작하기 전에 고려해야 할 몇 가지 중요한 요소는 다음과 같습니다:

• 데이터셋 분할: 데이터셋은 학습, 검증 및 테스트 세트로 나누어야 합니다. 이는 모델이 새로운 데이터에 대해 얼마나 잘 일반화되는지 평가하고 과적합을 방지하는 데 도움이 됩니다.
• 모델 선택: YOLO26 모델은 다양한 크기로 제공되므로 배포 요구 사항에 맞춰 속도와 정확성 사이의 균형을 맞출 수 있습니다.
• 학습 구성: 배치 크기, 이미지 크기, 에포크 수와 같은 매개변수는 학습 속도와 모델 성능에 영향을 미칠 수 있습니다.

학습이 완료되면 정밀도, 재현율, mAP(평균 정밀도)와 같은 지표를 사용하여 모델을 평가할 수 있습니다. 이러한 지표를 통해 모델이 얼마나 정확하게 제품을 탐지하는지, 오류를 얼마나 잘 방지하는지 측정할 수 있습니다.

모델 성능이 충분하지 않으면 데이터셋과 학습 설정을 개선할 수 있습니다. 여기에는 데이터 증강 적용, 더 다양한 이미지 추가 또는 일부 SKU가 드물게 나타나는 경우 클래스 균형 조정이 포함될 수 있습니다.

Link to this section플래노그램 준수 로직 통합#

모델 학습 및 평가 후 다음 단계는 플래노그램 준수 확인을 수행하는 로직을 구축하는 것입니다. 여기에는 매대 데이터를 구조화하고 예상 레이아웃과 비교하는 작업이 포함됩니다.

이 과정의 작동 방식에 대한 개요는 다음과 같습니다:

• 예상 매대 레이아웃 정의: 먼저, 예상 매대 레이아웃을 플래노그램을 사용하여 정의하고 행과 열이 있는 구조화된 그리드로 표현합니다. 그리드의 각 위치는 특정 SKU에 해당하며, 제품이 매대 공간에 어떻게 배치되어야 하는지를 반영합니다.
• 탐지된 제품 정리: 그 다음, 모델의 탐지 결과를 매대에서의 위치에 따라 배열합니다. 좌표를 사용하여 제품을 정렬하고 매대 행별로 그룹화하여, 원시 탐지 데이터를 실제 매대 배열을 반영하는 구조화된 레이아웃으로 변환합니다.
• 예상 및 실제 레이아웃 비교: 다음으로, 구조화된 매대 레이아웃을 예상 플래노그램과 비교하여 차이점을 식별합니다. 탐지된 제품이 예상 SKU와 일치하지 않으면 잘못 배치된 것으로 표시됩니다. 특정 위치에서 제품이 누락되면 누락된 것으로 플래그가 지정됩니다. 이 단계는 필요한 수의 페이싱이 유지되고 있는지 확인하는 데에도 사용할 수 있습니다.
• 준수 결과 생성: 마지막으로 각 매대에 대한 준수 보고서를 생성하여 미준수 사항, 편차 및 불일치를 강조할 수 있습니다. 이러한 출력은 대시보드를 통해 공유되어 팀이 문제를 빠르게 파악하고 해결하도록 도울 수 있습니다.

Link to this section플래노그램 준수를 위한 비전 모델 배포#

제품 탐지와 준수 로직을 통합한 솔루션을 구축한 후 다음 단계는 소매 매장 환경에 배포하는 것입니다. 사용 사례와 인프라에 따라 배포 시 고려할 수 있는 몇 가지 옵션이 있습니다.

한 가지 옵션은 매장 내 서버나 임베디드 하드웨어와 같은 엣지 디바이스에 모델을 배포하는 것입니다. 이러한 시스템은 카메라와 가까운 곳에 배치되어 매대 이미지를 캡처된 위치에서 즉시 처리할 수 있어 낮은 지연 시간과 실시간 모니터링이 가능합니다.

또 다른 옵션은 클라우드 기반 배포로, 이미지를 처리하기 위해 원격 서버로 전송하는 방식입니다. 특히 중앙 집중식 모니터링이 필요한 경우 여러 매장에 걸쳐 배포를 관리하고 확장하기가 더 쉬울 수 있습니다.

Ultralytics 생태계 내에는 이러한 다양한 배포 시나리오를 지원하는 여러 옵션이 있습니다. 예를 들어, Ultralytics Python 패키지를 사용하면 학습된 YOLO26 모델을 내보낼 수 있으며, ONNX, TensorRT 또는 CoreML과 같은 다양한 형식으로 변환할 수 있습니다.

이를 통해 배포 요구 사항에 따라 GPU, CPU, 모바일 기기 및 임베디드 시스템을 포함한 광범위한 하드웨어에서 모델을 실행할 수 있습니다.

한편, Ultralytics Platform은 테스트, 통합 및 프로덕션 배포를 단순화하는 내장 배포 옵션을 제공합니다. 모델은 브라우저에서 직접 테스트하거나, 공유 추론 API를 사용하여 애플리케이션에 통합하거나, 확장 가능한 프로덕션 사용을 위해 전용 엔드포인트에 배포할 수 있습니다.

또한 외부 시스템이나 엣지 디바이스에서 실행하기 위한 모델 내보내기를 지원하여 개발에서 실제 배포로의 전환을 더 쉽게 만듭니다. 또한 이 플랫폼에는 배포 후 성능을 추적하고 시간이 지나도 안정적인 작동을 보장하는 데 도움이 되는 모니터링 도구가 포함되어 있습니다.

Link to this section플래노그램 준수 탐지를 위한 비전 AI 사용의 이점#

YOLO26을 사용하여 플래노그램 준수 시스템을 구축할 때의 주요 장점은 다음과 같습니다:

• 다양한 소매 환경에 적응 가능: YOLO26은 새로운 데이터로 재학습하거나 미세 조정할 수 있어 다양한 매장 레이아웃, 제품 구색 및 지역적 차이에 적응할 수 있습니다.
• 데이터 기반 의사결정 최적화: 준수 데이터를 매장별로 집계하여 트렌드를 파악하고, 성능을 측정하며, 소매 전략을 개선할 수 있습니다.
• 실시간 지속 모니터링: YOLO26은 낮은 지연 시간의 추론에 최적화되어 있어 매대 이미지를 지속적으로 분석하고 엣지 디바이스에서 제품 배치 변경 사항을 실시간으로 탐지할 수 있습니다.
• 소매 시스템과의 통합: YOLO26으로 구동되는 플래노그램 준수 탐지 시스템은 재고, POS(판매 시점 정보 관리) 또는 분석 시스템과 통합되어 매장 성능에 대한 보다 완전한 관점을 제공할 수 있습니다.

Link to this section핵심 요약#

플래노그램 준수는 정확한 제품 배치와 일관된 소매 운영을 유지하는 데 필수적입니다. 제품 탐지와 레이아웃 비교를 결합함으로써 매장은 수동 감사를 줄이고 더 정확하게 매대를 확인할 수 있습니다. YOLO26과 같은 모델을 사용하면 이러한 시스템을 여러 매장에 걸쳐 사용할 수 있으며 매장 수준의 데이터를 사용하여 더 나은 의사결정을 지원할 수 있습니다.

프로젝트에 비전 AI를 도입하고 싶으신가요? 저희 활발한 커뮤니티에 참여하여 소매 분야의 비전 AI와 로보틱스에서의 컴퓨터 비전에 대해 알아보세요. 더 많은 정보를 찾으려면 저희 GitHub 저장소를 살펴보세요. 시작하려면 라이선스 옵션을 확인하세요!