Saiba como criar um sistema de conformidade de planogramas utilizando modelos de IA de visão, como Ultralytics , para detect produtos detect e automatizar as verificações das prateleiras nas lojas.
Todos nós já entramos numa loja para comprar algo como pão ou cereais, passámos alguns minutos a dar uma vista de olhos nas prateleiras e depois percebemos que não conseguimos encontrar o que procurávamos. Às vezes está no sítio errado, outras vezes está esgotado e, outras vezes, simplesmente confunde-se com tudo o resto na prateleira.
Para os retalhistas, manter os produtos no local certo é mais importante do que possa parecer. Isso influencia a facilidade com que os clientes encontram os artigos e pode afetar diretamente as vendas e a satisfação geral dos clientes. Para gerir esta questão, as lojas utilizam um planograma, um esquema simples que indica onde cada produto deve ser colocado na prateleira.
A conformidade do planograma é o processo de verificar se a disposição real das prateleiras corresponde ao layout previsto. Em muitas lojas, isto ainda é feito através de auditorias manuais e listas de verificação, o que pode ser demorado e inconsistente.
Mesmo pequenas discrepâncias, como SKUs (unidades de gestão de stock) mal colocadas, preços incorretos ou produtos esgotados, podem fazer a diferença. Os SKUs são códigos únicos utilizados para identificar e track variantes track de produtos, tais como diferentes tamanhos ou sabores. Estes problemas reduzem a disponibilidade nas prateleiras e podem resultar na 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 permitem analisar imagens das prateleiras captadas pelas câmaras da loja, detect automaticamente detect e verificar se estão colocados corretamente. Modelos de IA de visão, como Ultralytics , tornam este processo rápido, preciso e prático de utilizar em ambientes reais de loja.
Neste artigo, vamos explicar como criar um sistema de deteção de conformidade de planogramas utilizando Ultralytics . Vamos começar!
O cumprimento do planograma ajuda a manter a uniformidade na disposição das lojas, contribui para a precisão dos preços e das promoções, melhora a gestão de stock e facilita aos clientes a localização dos produtos nas prateleiras.
Refere-se à disposição dos produtos de acordo com um layout predefinido ou um planograma. Este layout define onde cada produto deve ser colocado, quantas faces 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) recorrem aos planogramas. Os retalhistas utilizam-nos para organizar as prateleiras e manter a uniformidade entre as lojas, enquanto as marcas de CPG os utilizam para garantir que os seus produtos são expostos corretamente e obtêm a visibilidade adequada.
O processo de auditoria de planogramas consiste em comparar a disposição real das prateleiras com o layout previsto. Isto inclui verificar se as referências corretas estão nas posições adequadas e se o número exigido de exposições é mantido.
Talvez esteja a perguntar-se se a disposição de um produto numa prateleira faz realmente diferença. Mas quando os produtos são semelhantes, mesmo pequenos erros de disposição 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.
Tradicionalmente, as lojas de retalho têm garantido o cumprimento dos planogramas através de auditorias manuais e listas de verificação. Os funcionários da loja inspecionam a disposição das prateleiras, verificam a colocação dos produtos e a orientação das embalagens e registam as suas observações.
No entanto, este processo pode ser moroso, difícil de aplicar em várias lojas e, muitas vezes, leva a inconsistências na forma como as verificações são realizadas. O setor do retalho está a adotar rapidamente a visão computacional, um campo da inteligência artificial que permite aos sistemas analisar e compreender imagens, para gerir melhor estas verificações de conformidade.
Estes sistemas utilizam câmaras para capturar imagens das prateleiras e processá-las através de modelos treinados para reconhecer produtos individuais. Modelos de visão computacional, como Ultralytics , suportam tarefas de visão, tais como a deteção de objetos e a segmentação de instâncias, tornando possível identificar e localizar com precisão os produtos nas prateleiras das lojas.
A utilização do YOLO26 neste caso de utilização é igualmente simples, uma vez que está disponível imediatamente 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 nessas detecções, um sistema de deteção de conformidade de planogramas pode mapear as posições dos produtos nas prateleiras e compará-las com os layouts previstos. Com esta abordagem, os retalhistas podem ir além das verificações manuais e monitorizar as prateleiras de forma contínua a nível da loja.
Permitem detect ao nível do SKU, identificar erros de colocação e melhorar a disponibilidade nas prateleiras e a execução global.
Antes de nos debruçarmos sobre como utilizar o YOLO26 para a deteção da conformidade com o planograma, vamos dar um passo atrás e compreender como a deteção de produtos e a comparação de disposições se combinam nestes sistemas.
Um sistema de conformidade de planogramas funciona normalmente em duas fases principais. Em primeiro lugar, um modelo como Ultralytics analisa imagens das prateleiras para detect classify . Juntamente com cada deteção, o modelo fornece informações de localização que indicam onde cada produto se encontra na prateleira.
Em seguida, essas deteções são organizadas num layout estruturado de prateleiras. Os produtos são agrupados com base nas suas posições, normalmente em filas de prateleiras, para refletir a forma como os artigos estão dispostos no mundo real.
Este layout estruturado é então comparado com o planograma previsto. O sistema verifica se as SKUs corretas estão nas posições certas, se o número necessário de exposições é mantido e se há algum produto em falta ou mal colocado.
Ao combinar a deteção de produtos com a comparação do layout, o sistema consegue identificar diferenças entre a disposição esperada e a disposição real das prateleiras. Os resultados podem ser apresentados sob a forma de relatórios de conformidade ou painéis de controlo que destacam os problemas ao nível da loja.
Isto permite que as equipas das lojas identifiquem rapidamente o que está errado, tomem medidas corretivas e garantam uma execução consistente das atividades de retalho.
O primeiro passo para criar um sistema de conformidade de planogramas consiste em preparar um conjunto de dados bem estruturado. Isto implica a recolha de imagens de prateleiras em diferentes ambientes de retalho. A qualidade e a diversidade destes dados têm um impacto direto no desempenho do modelo.
Os conjuntos de dados públicos também podem ser utilizados como ponto de partida. No entanto, uma vez que a disposição das lojas, o sortido de produtos e a disposição das prateleiras variam de retalhista para retalhista, muitas vezes não correspondem totalmente às condições reais.
Para garantir um desempenho fiável, é normalmente necessário criar um conjunto de dados personalizado, adaptado ao ambiente da loja em questão. Os dados podem ser recolhidos através de fotografias das prateleiras captadas por câmaras instaladas na loja ou por dispositivos móveis em diferentes pontos de venda.
Para além dos dados reais, é possível utilizar configurações simuladas de prateleiras para criar cenários controlados. A combinação de ambos permite que um modelo funcione de forma mais fiável em diferentes ambientes de loja.
É também fundamental registar as diferentes condições reais das lojas, tais como alterações na disposição do espaço, na organização das prateleiras, na colocação dos produtos, na iluminação, nos ângulos de filmagem e na organização das prateleiras. Ao recolher dados diversificados e realistas, o modelo pode aprender a generalizar entre lojas e apoiar a deteção precisa do cumprimento dos planogramas em grande escala.
Depois de recolhidos os dados, o passo seguinte é a anotação. Cada produto numa imagem é identificado através da desenho de caixas delimitadoras à sua volta, para que o modelo possa aprender a reconhecer diferentes SKUs.
Ao etiquetar, é importante definir categorias 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 identificada separadamente. Ao nível da categoria, produtos semelhantes podem ser agrupados, como todos os refrigerantes ou todos os snacks.
Ferramentas como a Ultralytics , um ambiente completo para a gestão de conjuntos de dados, anotação, treino e implementação, podem simplificar este processo. Suporta tanto a anotação manual como a rotulagem assistida por IA, em que os modelos podem sugerir anotações que podem ser revistas e aperfeiçoadas, contribuindo para aumentar a rapidez e a consistência.
Depois de o conjunto de dados estar preparado e rotulado, o próximo passo é treinar o YOLO26 para detect nas prateleiras das lojas. Isto pode ser feito utilizando o Python Ultralytics ou Ultralytics .
Python Ultralytics oferece flexibilidade para criar pipelines personalizados e integrar o treino em fluxos de trabalho existentes. Da mesma forma, a Ultralytics proporciona um ambiente unificado onde é possível realizar anotações, gerir conjuntos de dados, configurar o treino, executar experiências e monitorizar resultados a partir de um único painel de controlo.
Oferece também GPU na nuvem para treino escalável e facilita a implementação, reduzindo a necessidade de configurar infraestruturas ou gerir dependências.
Antes de começar o treino, eis alguns outros fatores importantes a ter em conta:
Após a conclusão do treino, o modelo pode ser avaliado utilizando métricas como precisão, recall e mAP precisão média). Estas métricas permitem medir a precisão com que o modelo deteta produtos e a sua capacidade de evitar erros.
Se o desempenho do modelo não for suficientemente bom, é possível melhorar o conjunto de dados e a configuração do treino. Isso pode incluir a aplicação de aumento de dados, a adição de imagens mais diversificadas ou o equilíbrio das classes em que algumas SKUs aparecem com menos frequência.
O passo seguinte após treinar e avaliar um modelo consiste em criar a lógica que realiza as verificações de conformidade do planograma. Isto implica estruturar os dados relativos às prateleiras e compará-los com a disposição prevista.
Eis uma visão geral de como funciona este processo:
Depois de criar uma solução que integra a deteção de produtos e a lógica de conformidade, o próximo passo é implementá-la num ambiente de loja de retalho. Existem várias opções a considerar ao abordar a implementação, dependendo do caso de utilização e da infraestrutura.
Uma opção consiste em implementar o modelo em dispositivos periféricos, tais como servidores nas lojas ou hardware incorporado. Estes sistemas são colocados junto às câmaras, para que as imagens das prateleiras possam ser processadas no local onde são captadas, permitindo uma baixa latência e uma monitorização em tempo real.
Outra opção é a implementação baseada na nuvem, em que as imagens são enviadas para servidores remotos para processamento. Isto pode facilitar a gestão e a escalabilidade das implementações em vários locais, especialmente quando é necessário um monitorização centralizada.
No Ultralytics da Ultralytics , existem várias opções que suportam estes diferentes cenários de implementação. Por exemplo, utilizando oPython Ultralytics , os modelos YOLO26 treinados podem ser exportados para diferentes formatos, tais como ONNX, TensorRT ou CoreML.
Isto permite executar modelos numa vasta gama de equipamentos, incluindo unidades de processamento gráfico (GPUs), unidades centrais de processamento (CPUs), dispositivos móveis e sistemas incorporados, consoante as necessidades de implementação.
Entretanto, a Ultralytics oferece opções de implementação integradas que simplificam os testes, a integração e a implementação em produção. Os modelos podem ser testados diretamente no navegador, integrados em aplicações através de APIs de inferência partilhadas ou implementados em terminais dedicados para uma utilização em produção escalável.
Também suporta a exportação de modelos para execução em sistemas externos ou dispositivos periféricos, facilitando a transição do desenvolvimento para a implementação no mundo real. Além disso, a plataforma inclui ferramentas de monitorização que ajudam track após a implementação e a garantir um funcionamento fiável ao longo do tempo.
Eis algumas das principais vantagens de utilizar o YOLO26 para criar um sistema de conformidade de planogramas:
O cumprimento do planograma é essencial para garantir uma disposição correta dos produtos e a consistência das operações de retalho. Ao combinar a deteção de produtos com a comparação do layout, as lojas podem reduzir as auditorias manuais e verificar as prateleiras com maior precisão. Com modelos como o YOLO26, esses sistemas podem ser utilizados em várias lojas e também permitem tomar melhores decisões com base em dados ao nível da loja.
Quer incorporar a IA de visão nos seus projetos? Junte-se à nossa comunidade ativa e aprenda sobre IA de visão no retalho e visão computacional na robótica. Explore o nosso repositório no GitHub para saber mais. Consulte as nossas opções de licenciamento para começar!
Comece sua jornada com o futuro do aprendizado de máquina
