Utilizar o Ultralytics YOLO26 para a deteção de conformidade com planogramas

Todos já entrámos numa loja para comprar algo como pão ou cereais, passámos alguns minutos a procurar nas prateleiras e percebemos que não conseguimos encontrar o produto. Por vezes está no lugar errado, por vezes está esgotado e, por vezes, simplesmente se confunde com tudo o resto na prateleira.

Para os retalhistas, manter os produtos no lugar certo é mais importante do que pode parecer. Isso afeta a facilidade com que os clientes encontram os artigos e pode ter um impacto direto nas vendas e na satisfação geral dos clientes. Para gerir isto, as lojas utilizam um planograma, uma disposição simples que mostra onde cada produto deve ser colocado numa prateleira.

A conformidade com o planograma é o processo de verificar se a prateleira real corresponde à disposição esperada. Em muitas lojas, isto ainda é feito através de auditorias manuais e listas de verificação, o que pode consumir muito tempo e ser inconsistente.

Fig. 1. Um planograma comparado com uma prateleira real (realograma), com resultados da deteção de conformidade (Fonte)

Mesmo pequenas discrepâncias, como SKUs (unidades de manutenção de stock) colocados incorretamente, preços errados ou produtos esgotados, podem fazer a diferença. Os SKUs são códigos únicos utilizados para identificar e acompanhar variantes individuais de produtos, como tamanhos ou sabores diferentes. Estes problemas reduzem a disponibilidade na prateleira e podem levar à perda de vendas.

É por isso que os retalhistas recorrem cada vez mais à visão computacional e ao reconhecimento de imagens. Estas tecnologias de IA podem analisar imagens de prateleiras captadas por câmaras dentro da loja, detetar produtos automaticamente e verificar se estão colocados corretamente. Modelos de IA para visão, como o Ultralytics YOLO26, tornam este processo rápido, preciso e prático para utilização em ambientes reais de loja.

Neste artigo, vamos explicar como criar um sistema de deteção de conformidade com planogramas utilizando Ultralytics YOLO26. Vamos começar!

O que é a conformidade com o planograma?#

A conformidade com o planograma ajuda a manter a consistência da disposição das lojas, permite preços e promoções corretos, melhora a gestão de inventário e facilita a localização dos produtos pelos clientes na prateleira.

Refere-se à organização dos produtos de acordo com uma disposição predefinida ou um planograma. Esta disposição define onde cada produto deve ser colocado, quantas frentes deve ter (o número de produtos colocados na parte da frente da prateleira e visíveis para os clientes) e quais os produtos que devem ser posicionados lado a lado.

Tanto os retalhistas como as marcas de bens de consumo embalados (CPG) dependem de planogramas. Os retalhistas utilizam-nos para organizar as prateleiras e manter a consistência entre lojas, enquanto as marcas de bens de consumo embalados (CPG) os utilizam para garantir que os seus produtos são apresentados corretamente e obtêm a visibilidade adequada.

Fig. 2. Um exemplo de um planograma correspondente à disposição de uma prateleira real (Fonte)

O processo de auditoria de planogramas envolve comparar uma prateleira real com uma disposição esperada. Isto inclui verificar se os SKUs corretos estão nas posições certas e se o número necessário de frentes é mantido.

Podes estar a perguntar-te se a colocação de um produto numa prateleira faz realmente alguma diferença. No entanto, quando os produtos são semelhantes, até pequenos erros de colocação podem tornar os artigos mais difíceis de encontrar ou confundir os clientes.

Isto pode afetar a precisão dos preços e as decisões dos clientes. Manter a conformidade mantém as prateleiras organizadas e melhora a experiência do cliente.

Utilizar visão computacional para a conformidade com planogramas#

Tradicionalmente, as lojas de retalho têm mantido a conformidade com os planogramas através de auditorias manuais e listas de verificação. Os funcionários das lojas inspecionam a disposição das prateleiras, verificam a colocação dos produtos e as frentes e registam as observações.

No entanto, este processo pode consumir muito tempo, ser difícil de escalar para várias lojas e resultar frequentemente em inconsistências na forma como as verificações são realizadas. O setor do retalho está a adotar rapidamente a visão computacional, uma área da inteligência artificial que permite aos sistemas analisar e compreender imagens, para lidar melhor com estas verificações de conformidade.

Estes sistemas utilizam câmaras para captar imagens das prateleiras e processá-las com modelos treinados para reconhecer produtos individuais. Modelos de visão computacional como o Ultralytics YOLO26 suportam tarefas de visão, como deteção de objetos e segmentação de instâncias, tornando possível identificar e localizar com precisão os produtos nas prateleiras das lojas.

Fig. 3. Um exemplo da utilização de YOLO26 para detetar e segmentar produtos numa prateleira de retalho (Fonte)

Utilizar Ultralytics YOLO26 para este caso de utilização também é simples, uma vez que está disponível de imediato como modelo pré-treinado, proporcionando um ponto de partida sólido, e pode ser treinado de forma personalizada com dados de prateleiras de retalho para reconhecer produtos específicos.

Com base nestas deteções, um sistema de deteção de conformidade com planogramas pode mapear as posições dos produtos na prateleira e compará-las com as disposições esperadas. Com esta abordagem, os retalhistas podem ir além das verificações manuais e monitorizar continuamente as prateleiras ao nível da loja.

Podem detetar produtos ao nível do SKU, identificar erros de colocação e melhorar a disponibilidade na prateleira e a execução geral.

Compreender como funciona a deteção de conformidade com planogramas baseada em IA#

Antes de explicarmos como utilizar Ultralytics YOLO26 para a deteção de conformidade com planogramas, vamos recuar um pouco e compreender como a deteção de produtos e a comparação de disposições se combinam nestes sistemas.

Um sistema de conformidade com planogramas funciona normalmente em duas etapas principais. Primeiro, um modelo como o Ultralytics YOLO26 analisa imagens de prateleiras para detetar e classificar produtos. Para além de cada deteção, o modelo fornece informações de localização que mostram onde cada produto aparece na prateleira.

Em seguida, estas deteções são organizadas numa disposição estruturada da prateleira. Os produtos são agrupados com base nas suas posições, normalmente em filas de prateleiras, para refletir a forma como os artigos estão organizados no mundo real.

Fig. 4. Ultralytics YOLO26 pode permitir a conformidade com planogramas. (Fonte)

Esta disposição estruturada é então comparada com o planograma esperado. O sistema verifica se os SKUs corretos estão nas posições certas, se o número necessário de frentes é mantido e se existem produtos em falta ou colocados incorretamente.

Ao combinar a deteção de produtos com a comparação de disposições, o sistema pode identificar diferenças entre a organização esperada e a real da prateleira. Os resultados podem ser apresentados como relatórios de conformidade ou painéis que destacam problemas ao nível da loja.

Isto permite que as equipas das lojas compreendam rapidamente o que está errado, tomem medidas corretivas e mantenham uma execução consistente no retalho.

Preparar um conjunto de dados para criar um sistema de conformidade com planogramas#

O primeiro passo para criar um sistema de conformidade com planogramas é preparar um conjunto de dados bem estruturado. Isto envolve recolher imagens de prateleiras de diferentes ambientes de retalho. A qualidade e a diversidade destes dados afetam diretamente o desempenho do modelo.

Os conjuntos de dados públicos também podem ser utilizados como ponto de partida. No entanto, como as disposições das lojas, os sortidos de produtos e a organização das prateleiras variam entre retalhistas, muitas vezes não correspondem totalmente às condições do mundo real.

A criação de um conjunto de dados personalizado e adaptado ao ambiente da loja-alvo é normalmente necessária para obter um desempenho fiável. Os dados podem ser recolhidos através de fotografias de prateleiras captadas por câmaras dentro da loja ou por dispositivos móveis em diferentes locais de retalho.

Para além dos dados do mundo real, podem ser utilizadas configurações simuladas de prateleiras para criar cenários controlados. A combinação de ambas permite que um modelo tenha um desempenho mais fiável em diferentes ambientes de loja.

Também é crucial captar diferentes condições reais das lojas, como alterações nas disposições, organização das prateleiras, colocação dos produtos, iluminação, ângulos das câmaras e organização das prateleiras. Ao recolher dados diversificados e realistas, o modelo pode aprender a generalizar entre lojas e suportar uma deteção precisa de conformidade com planogramas em grande escala.

Uma visão geral da anotação de um conjunto de dados de retalho#

Depois de recolher os dados, o passo seguinte é a anotação. Cada produto numa imagem é etiquetado através do desenho de caixas delimitadoras à sua volta, para que o modelo aprenda a reconhecer diferentes SKUs.

Durante a etiquetagem, é importante definir classes claras. Isto pode ser feito com diferentes níveis de detalhe, dependendo do planograma.

Ao nível do SKU, cada variante de produto, como uma marca, tamanho ou sabor específico, é etiquetada separadamente. Ao nível da categoria, produtos semelhantes podem ser agrupados, como todas as bebidas refrigerantes ou todos os snacks.

Ferramentas como a Ultralytics Platform, um ambiente completo para gerir conjuntos de dados, anotação, treino e implementação, podem simplificar este processo. Suporta tanto a anotação manual como a etiquetagem assistida por IA, na qual os modelos podem sugerir anotações que podem ser revistas e aperfeiçoadas, ajudando a melhorar a velocidade e a consistência.

Treinar Ultralytics YOLO26 para a deteção de produtos#

Depois de o conjunto de dados estar preparado e etiquetado, o passo seguinte é treinar YOLO26 para detetar produtos nas prateleiras de retalho. Isto pode ser feito utilizando o pacote Ultralytics para Python ou a Ultralytics Platform.

O pacote Ultralytics para Python oferece flexibilidade para criar pipelines personalizados e integrar o treino em fluxos de trabalho existentes. Da mesma forma, a Ultralytics Platform fornece um ambiente unificado onde podes tratar da anotação, gerir conjuntos de dados, configurar o treino, executar experiências e monitorizar resultados a partir de um único painel.

Também oferece opções de GPU na cloud para treino escalável e suporta a implementação, reduzindo a necessidade de configurar infraestrutura ou gerir dependências.

Antes de iniciares o treino, considera também alguns outros fatores importantes:

• Divisão do conjunto de dados: O conjunto de dados deve ser dividido em conjuntos de treino, validação e teste. Isto ajuda a avaliar até que ponto o modelo generaliza para novos dados e evita o sobreajuste.
• Seleção do modelo: Os modelos Ultralytics YOLO26 estão disponíveis em diferentes tamanhos, permitindo equilibrar velocidade e precisão com base nas tuas necessidades de implementação.
• Configuração do treino: Parâmetros como o tamanho do lote, o tamanho da imagem e o número de épocas podem afetar tanto a velocidade do treino como o desempenho do modelo.

Depois de concluir o treino, o modelo pode ser avaliado utilizando métricas como precisão, revocação e mAP (precisão média). Estas métricas permitem medir a precisão com que o modelo deteta produtos e a eficácia com que evita erros.

Se o desempenho do modelo não for suficientemente bom, o conjunto de dados e a configuração do treino podem ser melhorados. Isto pode incluir a aplicação de aumento de dados, a adição de imagens mais diversificadas ou o equilíbrio das classes quando alguns SKUs aparecem com menos frequência.

Integrar a lógica de conformidade com planogramas#

O passo seguinte depois de treinar e avaliar um modelo é criar a lógica que realiza as verificações de conformidade com planogramas. Isto envolve estruturar os dados da prateleira e compará-los com a disposição esperada.

Eis uma visão geral do funcionamento deste processo:

• Definir a disposição esperada da prateleira: Primeiro, a disposição esperada da prateleira é definida utilizando o planograma e representada como uma grelha estruturada com linhas e colunas. Cada posição da grelha corresponde a um SKU específico, refletindo a forma como os produtos devem ser organizados no espaço da prateleira.
• Organizar os produtos detetados: Em seguida, as deteções do modelo são organizadas com base na sua posição na prateleira. Utilizando as suas coordenadas, os produtos são ordenados e agrupados em filas de prateleira, convertendo deteções brutas numa disposição estruturada que reflete a organização real da prateleira.
• Comparar as disposições esperada e real: Em seguida, a disposição estruturada da prateleira é comparada com o planograma esperado para identificar diferenças. Se um produto detetado não corresponder ao SKU esperado, é marcado como colocado incorretamente. Se faltar um produto numa posição, essa posição é assinalada como em falta. Este passo também pode ser utilizado para verificar se o número necessário de frentes é mantido.
• Gerar resultados de conformidade: Por fim, pode ser produzido um relatório de conformidade para cada prateleira, destacando não conformidades, desvios e discrepâncias. Estes resultados podem ser partilhados através de painéis para ajudar as equipas a identificar e resolver rapidamente os problemas.

Implementar um modelo de visão para a conformidade com planogramas#

Depois de criar uma solução que integra a deteção de produtos e a lógica de conformidade, o passo seguinte é implementá-la num ambiente de loja de retalho. Existem várias opções a considerar ao planear a implementação, dependendo do caso de utilização e da infraestrutura.

Uma opção é implementar o modelo em dispositivos de edge, como servidores dentro da loja ou hardware incorporado. Estes sistemas são colocados perto das câmaras para que as imagens das prateleiras possam ser processadas no local onde são captadas, permitindo baixa latência e monitorização em tempo real.

Outra opção é a implementação baseada na cloud, na qual as imagens são enviadas para servidores remotos para processamento. Isto pode facilitar a gestão e o escalamento das implementações em vários locais, especialmente quando é necessária monitorização centralizada.

No ecossistema Ultralytics, existem várias opções que suportam estes diferentes cenários de implementação. Por exemplo, utilizando o pacote Ultralytics para Python, os modelos YOLO26 podem ser exportados para diferentes formatos, como ONNX, TensorRT ou CoreML.

Isto permite executar modelos numa vasta gama de hardware, incluindo unidades de processamento gráfico (GPUs), unidades centrais de processamento (CPUs), dispositivos móveis e sistemas incorporados, dependendo das necessidades de implementação.

Entretanto, a Ultralytics Platform fornece opções de implementação integradas que simplificam os testes, a integração e a implementação em produção. Os modelos podem ser testados diretamente no browser, integrados em aplicações através de APIs de inferência partilhadas ou implementados em endpoints dedicados para utilização escalável em produção.

Também suporta a exportação de modelos para execução em sistemas externos ou dispositivos de edge, facilitando a transição do desenvolvimento para a implementação no mundo real. Além disso, a plataforma inclui ferramentas de monitorização que ajudam a acompanhar o desempenho após a implementação e a garantir uma operação fiável ao longo do tempo.

Vantagens da utilização de IA para visão na deteção de conformidade com planogramas#

Eis algumas das principais vantagens de utilizar Ultralytics YOLO26 para criar um sistema de conformidade com planogramas:

• Adaptação a diferentes ambientes de retalho: Ultralytics YOLO26 pode ser treinado novamente ou ajustado com novos dados, tornando-se adaptável a diferentes disposições de lojas, sortidos de produtos e variações regionais.
• Otimiza a tomada de decisões baseada em dados: Os dados de conformidade podem ser agregados entre lojas para identificar tendências, medir o desempenho e melhorar as estratégias de retalho.
• Monitorização contínua em tempo real: Ultralytics YOLO26 está otimizado para inferência de baixa latência, permitindo a análise contínua de imagens de prateleiras e a deteção em tempo real de alterações na colocação de produtos em dispositivos de edge.
• Integração com sistemas de retalho: Um sistema de deteção de conformidade com planogramas baseado em Ultralytics YOLO26 pode ser integrado com sistemas de inventário, POS (ponto de venda) ou análise para fornecer uma visão mais completa do desempenho da loja.

Principais conclusões#

A conformidade com planogramas é essencial para manter uma colocação precisa dos produtos e operações de retalho consistentes. Ao combinar a deteção de produtos com a comparação de disposições, as lojas podem reduzir as auditorias manuais e verificar as prateleiras com maior precisão. Com modelos como Ultralytics YOLO26, estes sistemas podem ser utilizados em várias lojas e também podem apoiar decisões melhores através de dados ao nível da loja.

Queres trazer a IA para visão para os teus projetos? Junta-te à nossa comunidade ativa e aprende mais sobre IA para visão no retalho e visão computacional na robótica. Explora o nosso repositório no GitHub para saberes mais. Consulta as nossas opções de licenciamento para começar!