플래노그램 준수 감지에 Ultralytics YOLO26 활용하기

빵이나 시리얼 같은 물건을 사러 매장에 들어가 진열대를 몇 분간 살펴본 뒤 결국 찾지 못했던 경험은 누구나 있을 것입니다. 제품이 엉뚱한 곳에 있거나 품절일 때도 있고, 진열대의 다른 상품들 사이에 묻혀 잘 보이지 않을 때도 있습니다.

소매업체에 제품을 올바른 위치에 진열하는 일은 생각보다 중요합니다. 고객이 상품을 얼마나 쉽게 찾을 수 있는지에 영향을 미치고, 매출과 전반적인 고객 만족도에도 직접적인 영향을 줄 수 있습니다. 이를 관리하기 위해 매장에서는 각 제품을 진열대 어디에 배치해야 하는지 보여주는 간단한 배치도인 플래노그램을 사용합니다.

플래노그램 준수 여부 확인은 실제 진열대가 예상 배치와 일치하는지 점검하는 과정입니다. 많은 매장에서는 아직도 수동 감사와 체크리스트를 사용하므로 시간이 오래 걸리고 일관성이 떨어질 수 있습니다.

그림 1. 플래노그램과 실제 진열대(리얼로그램) 및 준수 여부 탐지 결과 (출처)

위치가 잘못된 SKU(재고 관리 단위), 잘못된 가격, 품절 제품과 같은 작은 차이도 큰 영향을 미칠 수 있습니다. SKU는 크기나 맛이 다른 제품 변형을 식별하고 추적하는 데 사용되는 고유 코드입니다. 이러한 문제는 진열대의 상품 가용성을 낮추고 매출 손실로 이어질 수 있습니다.

이 때문에 소매업체는 점점 더 컴퓨터 비전과 이미지 인식 기술을 도입하고 있습니다. 이러한 AI 기술은 매장 내 카메라로 촬영한 진열대 이미지를 분석하고 제품을 자동으로 탐지하여 올바른 위치에 있는지 확인할 수 있습니다. Ultralytics YOLO26과 같은 비전 AI 모델을 사용하면 실제 매장 환경에서 이 과정을 빠르고 정확하며 실용적으로 수행할 수 있습니다.

이 글에서는 Ultralytics YOLO26을 사용해 플래노그램 준수 여부를 탐지하는 시스템을 구축하는 방법을 살펴보겠습니다. 시작해 보겠습니다!

플래노그램 준수란 무엇인가요?#

플래노그램 준수는 매장 배치의 일관성을 유지하고 정확한 가격 및 프로모션을 지원하며 재고 관리를 개선하고 고객이 진열대에서 제품을 쉽게 찾도록 돕습니다.

플래노그램 준수는 사전에 정의된 배치 또는 플래노그램에 따라 제품을 진열하는 것을 의미합니다. 이 배치는 각 제품의 진열 위치, 페이싱 수(진열대 앞쪽에 배치해 고객에게 보이는 제품 수), 그리고 서로 인접하게 배치해야 하는 제품을 정의합니다.

소매업체와 소비재(CPG) 브랜드는 모두 플래노그램에 의존합니다. 소매업체는 플래노그램을 사용해 진열대를 정리하고 매장 간 일관성을 유지하며, CPG 브랜드는 제품이 올바르게 진열되고 충분히 노출되도록 하는 데 사용합니다.

그림 2. 플래노그램과 실제 진열대 배치의 일치 모습 (출처)

플래노그램 감사 과정에서는 실제 진열대를 예상 배치와 비교합니다. 여기에는 올바른 SKU가 정확한 위치에 있는지, 필요한 페이싱 수가 유지되고 있는지 확인하는 작업이 포함됩니다.

진열대에서 제품의 위치가 정말 차이를 만드는지 궁금할 수 있습니다. 하지만 제품이 서로 비슷하게 생겼다면 작은 진열 오류도 제품을 찾기 어렵게 만들거나 고객을 혼란스럽게 할 수 있습니다.

이는 가격 정확도와 고객의 구매 결정에 영향을 줄 수 있습니다. 플래노그램을 준수하면 진열대를 정돈된 상태로 유지하고 고객 경험을 향상할 수 있습니다.

컴퓨터 비전을 활용한 플래노그램 준수 관리#

전통적으로 소매점은 수동 감사와 체크리스트를 통해 플래노그램 준수 여부를 관리해 왔습니다. 매장 직원은 진열대 배치를 점검하고, 제품 배치와 페이싱 수를 확인하며, 관찰 내용을 기록합니다.

하지만 이 프로세스는 시간이 오래 걸리고 여러 매장으로 확장하기 어려우며, 점검을 수행하는 방식이 일관되지 않은 경우가 많습니다. 소매 업계에서는 이러한 준수 여부 점검을 더 효과적으로 처리하기 위해 이미지 분석 및 이해가 가능한 인공지능 분야인 컴퓨터 비전을 빠르게 도입하고 있습니다.

이러한 시스템은 카메라로 진열대 이미지를 촬영하고, 학습된 모델로 이미지를 처리해 개별 제품을 인식합니다. Ultralytics YOLO26과 같은 컴퓨터 비전 모델은 객체 탐지와 인스턴스 분할 등의 비전 작업을 지원하므로, 소매점 진열대에 있는 제품을 정확하게 식별하고 위치를 파악할 수 있습니다.

그림 3. YOLO26을 사용해 소매점 진열대의 제품을 탐지하고 분할하는 예시 (출처)

이 사용 사례에 Ultralytics YOLO26을 활용하는 방법도 간단합니다. 사전 학습된 모델로 기본 제공되어 좋은 출발점이 되며, 특정 제품을 인식하도록 소매점 진열대 데이터로 커스텀 학습할 수도 있습니다.

이러한 탐지 결과를 바탕으로 플래노그램 준수 탐지 시스템은 진열대에서 제품의 위치를 매핑하고 이를 예상 배치와 비교할 수 있습니다. 이 접근 방식을 사용하면 소매업체는 수동 점검을 넘어 매장 단위로 진열대를 지속적으로 모니터링할 수 있습니다.

SKU 단위로 제품을 탐지하고, 배치 오류를 식별하며, 진열 상품의 가용성과 전반적인 매장 실행력을 개선할 수 있습니다.

AI 기반 플래노그램 준수 탐지의 작동 방식 이해하기#

Ultralytics YOLO26을 사용한 플래노그램 준수 탐지 방법을 살펴보기 전에, 먼저 한 걸음 물러서서 이러한 시스템에서 제품 탐지와 배치 비교가 어떻게 결합되는지 알아보겠습니다.

플래노그램 준수 시스템은 일반적으로 두 가지 주요 단계로 작동합니다. 첫째, Ultralytics YOLO26과 같은 모델이 진열대 이미지를 분석해 제품을 탐지하고 분류합니다. 모델은 각 탐지 결과와 함께 진열대에서 각 제품이 나타나는 위치를 보여주는 위치 정보도 제공합니다.

다음으로 이러한 탐지 결과를 구조화된 진열대 배치로 정리합니다. 실제 제품 배치를 반영하기 위해 제품의 위치에 따라 그룹화하며, 일반적으로 진열대 단위로 묶습니다.

그림 4. Ultralytics YOLO26은 플래노그램 준수 관리를 지원할 수 있습니다. (출처)

그런 다음 구조화된 배치를 예상 플래노그램과 비교합니다. 시스템은 올바른 SKU가 지정된 위치에 있는지, 필요한 페이싱 수가 유지되는지, 제품이 누락되거나 잘못 배치되었는지 확인합니다.

제품 탐지와 배치 비교를 결합하면 시스템이 예상 진열 배치와 실제 진열 배치의 차이를 식별할 수 있습니다. 결과는 매장 단위의 문제를 강조하는 준수 보고서나 대시보드로 표시할 수 있습니다.

이를 통해 매장 팀은 무엇이 잘못되었는지 신속하게 파악하고 시정 조치를 취하며 일관된 소매 운영을 유지할 수 있습니다.

플래노그램 준수 시스템 구축을 위한 데이터셋 준비#

플래노그램 준수 시스템을 구축하는 첫 단계는 체계적인 데이터셋을 준비하는 것입니다. 이를 위해 다양한 소매 환경에서 진열대 이미지를 수집합니다. 데이터의 품질과 다양성은 모델의 성능에 직접적인 영향을 줍니다.

공개 데이터셋을 출발점으로 사용할 수도 있습니다. 하지만 소매업체마다 매장 배치, 제품 구성, 진열대 배열이 다르기 때문에 공개 데이터셋이 실제 환경과 완전히 일치하지 않는 경우가 많습니다.

신뢰할 수 있는 성능을 얻으려면 일반적으로 대상 매장 환경에 맞춘 커스텀 데이터셋을 만들어야 합니다. 여러 소매점에서 매장 카메라나 모바일 기기로 촬영한 진열대 사진을 사용해 데이터를 수집할 수 있습니다.

실제 데이터 외에도 통제된 시나리오를 만들기 위해 모의 진열대 환경을 사용할 수 있습니다. 두 가지 데이터를 결합하면 다양한 매장 환경에서 모델의 신뢰성을 높일 수 있습니다.

배치 변경, 진열대 배열, 제품 배치, 조명, 카메라 각도, 진열대 정리 상태 등 실제 매장의 다양한 조건을 포착하는 것도 중요합니다. 다양하고 현실적인 데이터를 수집하면 모델이 여러 매장에 일반화되도록 학습할 수 있으며, 대규모 플래노그램 준수 탐지를 정확하게 지원할 수 있습니다.

소매 데이터셋 라벨링 개요#

데이터를 수집한 후에는 어노테이션을 진행합니다. 모델이 다양한 SKU를 인식하도록 학습할 수 있게 이미지 속 각 제품 주위에 바운딩 박스를 그려 라벨을 지정합니다.

라벨링할 때는 클래스를 명확하게 정의하는 것이 중요합니다. 플래노그램에 따라 다양한 세부 수준으로 정의할 수 있습니다.

SKU 수준에서는 특정 브랜드, 크기 또는 맛과 같은 각 제품 변형을 개별적으로 라벨링합니다. 카테고리 수준에서는 모든 탄산음료나 모든 스낵처럼 유사한 제품을 함께 그룹화할 수 있습니다.

데이터셋 관리, 어노테이션, 학습, 배포를 위한 엔드투엔드 환경인 Ultralytics Platform과 같은 도구를 사용하면 이 프로세스를 간소화할 수 있습니다. 수동 어노테이션과 AI 지원 라벨링을 모두 지원하며, AI 지원 라벨링에서는 모델이 어노테이션을 제안하고 이를 검토 및 수정할 수 있어 작업 속도와 일관성을 높이는 데 도움이 됩니다.

제품 탐지를 위한 Ultralytics YOLO26 학습#

데이터셋을 준비하고 라벨링한 후에는 YOLO26을 학습시켜 소매점 진열대의 제품을 탐지합니다. Ultralytics Python 패키지 또는 Ultralytics Platform을 사용해 학습할 수 있습니다.

Ultralytics Python 패키지는 커스텀 파이프라인을 구축하고 기존 워크플로에 학습을 통합할 수 있는 유연성을 제공합니다. 마찬가지로 Ultralytics Platform은 하나의 대시보드에서 어노테이션, 데이터셋 관리, 학습 구성, 실험 실행, 결과 모니터링을 처리할 수 있는 통합 환경을 제공합니다.

또한 확장 가능한 학습을 위해 클라우드 GPU 옵션을 제공하고 배포를 지원하므로, 인프라를 설정하거나 종속성을 관리할 필요가 줄어듭니다.

학습을 시작하기 전에 다음과 같은 주요 요소도 고려해야 합니다.

• 데이터셋 분할: 데이터셋은 학습, 검증, 테스트 세트로 나누어야 합니다. 이를 통해 모델이 새로운 데이터에 얼마나 잘 일반화되는지 평가하고 과적합을 방지할 수 있습니다.
• 모델 선택: Ultralytics YOLO26 모델은 다양한 크기로 제공되므로, 배포 요구 사항에 맞춰 속도와 정확도의 균형을 조정할 수 있습니다.
• 학습 구성: 배치 크기, 이미지 크기, 에포크 수와 같은 매개변수는 학습 속도와 모델 성능 모두에 영향을 줄 수 있습니다.

학습이 완료되면 정밀도, 재현율, mAP(평균 정밀도)와 같은 지표를 사용해 모델을 평가할 수 있습니다. 이러한 지표를 통해 모델의 제품 탐지 정확도와 오류 방지 성능을 측정할 수 있습니다.

모델 성능이 충분하지 않다면 데이터셋과 학습 설정을 개선할 수 있습니다. 데이터 증강 적용, 더 다양한 이미지 추가, 일부 SKU의 등장 빈도가 낮은 경우 클래스 균형 조정 등이 이에 해당합니다.

플래노그램 준수 로직 통합#

모델을 학습하고 평가한 다음 단계는 플래노그램 준수 여부를 점검하는 로직을 구축하는 것입니다. 이를 위해 진열대 데이터를 구조화하고 예상 배치와 비교합니다.

이 프로세스는 다음과 같이 진행됩니다.

• 예상 진열대 배치 정의: 먼저 플래노그램을 사용해 예상 진열대 배치를 정의하고 행과 열로 구성된 구조화된 그리드로 표현합니다. 그리드의 각 위치는 특정 SKU에 해당하며, 진열 공간에 제품을 어떻게 배치해야 하는지 나타냅니다.
• 탐지된 제품 정리: 다음으로 모델의 탐지 결과를 진열대에서의 위치에 따라 정렬합니다. 좌표를 사용해 제품을 정렬하고 진열대 단위로 그룹화하면, 원시 탐지 결과를 실제 진열대 배치를 반영하는 구조화된 배치로 변환할 수 있습니다.
• 예상 배치와 실제 배치 비교: 다음으로 구조화된 진열대 배치를 예상 플래노그램과 비교해 차이를 식별합니다. 탐지된 제품이 예상 SKU와 일치하지 않으면 잘못 배치된 것으로 표시합니다. 특정 위치의 제품이 누락되면 누락으로 표시합니다. 이 단계에서 필요한 페이싱 수가 유지되는지도 확인할 수 있습니다.
• 준수 결과 생성: 마지막으로 각 진열대의 준수 보고서를 생성해 미준수, 편차, 불일치를 강조할 수 있습니다. 대시보드를 통해 결과를 공유하면 팀이 문제를 신속하게 식별하고 해결하는 데 도움이 됩니다.

플래노그램 준수 관리를 위한 비전 모델 배포#

제품 탐지와 준수 로직을 통합하는 솔루션을 구축한 후에는 소매점 환경에 배포합니다. 사용 사례와 인프라에 따라 배포 시 고려할 수 있는 방법은 몇 가지가 있습니다.

한 가지 방법은 매장 내 서버나 임베디드 하드웨어와 같은 엣지 디바이스에 모델을 배포하는 것입니다. 이러한 시스템을 카메라 가까이에 설치하면 진열대 이미지를 촬영한 현장에서 처리할 수 있으므로 지연 시간을 줄이고 실시간 모니터링을 지원합니다.

또 다른 방법은 이미지를 원격 서버로 전송해 처리하는 클라우드 기반 배포입니다. 중앙 집중식 모니터링이 필요한 경우를 비롯해 여러 위치에 배포된 시스템을 관리하고 확장하기가 더 쉬워질 수 있습니다.

Ultralytics 생태계에는 다양한 배포 시나리오를 지원하는 여러 옵션이 있습니다. 예를 들어 Ultralytics Python 패키지를 사용하면 학습된 YOLO26 모델을 ONNX, TensorRT, CoreML 등의 다양한 형식으로 내보낼 수 있습니다.

이를 통해 배포 요구 사항에 따라 그래픽 처리 장치(GPU), 중앙 처리 장치(CPU), 모바일 디바이스, 임베디드 시스템 등 다양한 하드웨어에서 모델을 실행할 수 있습니다.

한편 Ultralytics Platform은 테스트, 통합, 프로덕션 배포를 간소화하는 기본 제공 배포 옵션을 제공합니다. 브라우저에서 직접 모델을 테스트하고, 공유 추론 API를 사용해 애플리케이션에 통합하거나, 확장 가능한 프로덕션 사용을 위해 전용 엔드포인트에 배포할 수 있습니다.

또한 외부 시스템이나 엣지 디바이스에서 실행할 수 있도록 모델 내보내기를 지원해 개발 단계에서 실제 환경 배포 단계로 더 쉽게 전환할 수 있습니다. 이와 함께 배포 후 성능을 추적하고 장기적으로 안정적인 작동을 보장하는 모니터링 도구도 플랫폼에 포함되어 있습니다.

플래노그램 준수 탐지에 비전 AI를 활용할 때의 이점#

Ultralytics YOLO26으로 플래노그램 준수 시스템을 구축할 때 얻을 수 있는 주요 이점은 다음과 같습니다.

• 다양한 소매 환경에 맞게 조정 가능: Ultralytics YOLO26은 새로운 데이터로 재학습하거나 파인튜닝할 수 있으므로 다양한 매장 배치, 제품 구성, 지역별 차이에 맞게 조정할 수 있습니다.
• 데이터 기반 의사결정 최적화: 매장 전반의 준수 데이터를 통합해 추세를 파악하고 성과를 측정하며 소매 전략을 개선할 수 있습니다.
• 실시간 연속 모니터링: Ultralytics YOLO26은 짧은 지연 시간의 추론에 최적화되어 있어 진열대 이미지를 지속적으로 분석하고 엣지 디바이스에서 제품 배치 변경을 실시간으로 탐지할 수 있습니다.
• 소매 시스템과의 통합: Ultralytics YOLO26 기반 플래노그램 준수 탐지 시스템은 재고, POS(판매 시점), 분석 시스템과 통합해 매장 성과를 더 종합적으로 파악할 수 있습니다.

핵심 요점#

플래노그램 준수 관리는 정확한 제품 배치와 일관된 소매 운영을 유지하는 데 필수적입니다. 제품 탐지와 배치 비교를 결합하면 매장에서 수동 감사를 줄이고 진열대를 더 정확하게 점검할 수 있습니다. Ultralytics YOLO26과 같은 모델을 사용하면 이러한 시스템을 여러 매장에 적용하고 매장 단위 데이터를 활용해 더 나은 의사결정을 지원할 수 있습니다.

프로젝트에 비전 AI를 도입하고 싶으신가요? 활발한 커뮤니티에 참여하고 소매 분야의 비전 AI와 로보틱스 분야의 컴퓨터 비전에 대해 알아보세요. 자세한 내용은 GitHub 저장소에서 확인하세요. 시작하려면 라이선스 옵션을 살펴보세요!