Usando o Ultralytics YOLO26 para detecção de conformidade de planograma

Todos nós já entramos em uma loja para comprar algo como pão ou cereais, passamos alguns minutos olhando as prateleiras e percebemos que não conseguimos encontrar o produto. Às vezes está no lugar errado, às vezes está esgotado e às vezes simplesmente se mistura com todo o resto na prateleira.

Para os varejistas, manter os produtos no lugar certo é mais importante do que parece. Isso afeta a facilidade com que os clientes encontram os itens e pode impactar diretamente as vendas e a satisfação geral do cliente. Para gerenciar isso, as lojas usam um planograma, um layout simples que mostra onde cada produto deve ser colocado em uma prateleira.

A conformidade do planograma é o processo de verificar se a prateleira real corresponde ao layout esperado. Em muitas lojas, isso ainda é feito por meio de auditorias manuais e listas de verificação, o que pode ser demorado e inconsistente.

Fig 1. Um planograma vs. uma prateleira real (realograma) com resultados de detecção de conformidade (Fonte)

Até mesmo pequenas discrepâncias como SKUs (unidades de manutenção de estoque) fora do lugar, preços incorretos ou produtos esgotados podem fazer diferença. SKUs são códigos únicos usados para identificar e rastrear variantes individuais de produtos, como tamanhos ou sabores diferentes. Esses problemas reduzem a disponibilidade na prateleira e podem levar a vendas perdidas.

É por isso que os varejistas estão recorrendo cada vez mais à visão computacional e ao reconhecimento de imagem. Essas tecnologias de IA podem analisar imagens de prateleiras capturadas por câmeras na loja, detectar produtos automaticamente e verificar se estão colocados corretamente. Modelos de visão artificial como Ultralytics YOLO26 tornam esse processo rápido, preciso e prático de usar em ambientes reais de loja.

Neste artigo, veremos como criar um sistema de detecção de conformidade de planograma usando Ultralytics YOLO26. Vamos começar!

Link to this sectionO que é conformidade de planograma?#

A conformidade do planograma ajuda a manter os layouts das lojas consistentes, suporta preços e promoções precisas, melhora a gestão de inventário e torna mais fácil para os clientes encontrarem produtos na prateleira.

Refere-se a organizar os produtos de acordo com um layout predefinido ou planograma. Este layout define onde cada produto deve ser colocado, quantas frentes (facings) deve ter (o número de produtos colocados na frente da prateleira e visíveis aos clientes) e quais produtos devem ser posicionados um ao lado do outro.

Tanto varejistas quanto marcas de bens de consumo embalados (CPG) confiam nos planogramas. Os varejistas os usam para organizar prateleiras e manter a consistência entre as lojas, enquanto as marcas de CPG os usam para garantir que seus produtos sejam exibidos corretamente e obtenham a visibilidade adequada.

Fig 2. Uma visão de um planograma correspondendo a um layout real de prateleira (Fonte)

O processo de auditoria de planograma envolve comparar uma prateleira real com um layout esperado. Isso inclui verificar se as SKUs corretas estão nas posições certas e se o número necessário de frentes está sendo mantido.

Você pode estar se perguntando se a colocação de um produto em uma prateleira realmente faz diferença. Mas, quando os produtos parecem semelhantes, até pequenos erros de colocação podem tornar os itens mais difíceis de encontrar ou confundir os clientes.

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

Link to this sectionUsando visão computacional para conformidade de planograma#

Tradicionalmente, lojas de varejo mantêm a conformidade do planograma por meio de auditorias manuais e listas de verificação. Os funcionários da loja inspecionam os layouts das prateleiras, verificam a colocação e as frentes dos produtos e registram observações.

No entanto, esse processo pode ser demorado, difícil de escalar em várias lojas e, muitas vezes, leva a inconsistências na forma como as verificações são realizadas. O setor de varejo está adotando rapidamente a visão computacional, um campo da inteligência artificial que permite que os sistemas analisem e compreendam imagens, para lidar melhor com essas verificações de conformidade.

Esses sistemas usam câmeras para capturar imagens das prateleiras e processá-las usando modelos treinados para reconhecer produtos individuais. Modelos de visão computacional como Ultralytics YOLO26 suportam tarefas de visão, como detecção de objetos e segmentação de instâncias, tornando possível identificar e localizar produtos com precisão nas prateleiras das lojas.

Fig 3. Um exemplo de uso do YOLO26 para detectar e segmentar produtos em uma prateleira de varejo (Fonte)

Usar o YOLO26 para este caso de uso também é simples, pois ele está disponível pronto para uso como um modelo pré-treinado, fornecendo um ponto de partida sólido, e pode ser treinado de forma personalizada em dados de prateleiras de varejo para reconhecer produtos específicos.

Com base nessas detecções, um sistema de detecção de conformidade de planograma pode mapear as posições dos produtos na prateleira e compará-las com os layouts esperados. Com essa abordagem, os varejistas podem ir além das verificações manuais e monitorar as prateleiras continuamente no nível da loja.

Eles podem detectar produtos no nível da SKU, identificar erros de colocação e melhorar a disponibilidade na prateleira e a execução geral.

Link to this sectionEntendendo como funciona a detecção de conformidade de planograma com IA#

Antes de mergulharmos em como usar o YOLO26 para detecção de conformidade de planograma, vamos dar um passo atrás e entender como a detecção de produtos e a comparação de layout se unem nesses sistemas.

Um sistema de conformidade de planograma normalmente funciona em dois estágios principais. Primeiro, um modelo como Ultralytics YOLO26 analisa as imagens das prateleiras para detectar e classificar os produtos. Junto com cada detecção, o modelo fornece informações de localização que mostram onde cada produto aparece na prateleira.

Em seguida, essas detecções são organizadas em um layout de prateleira estruturado. Os produtos são agrupados com base em suas posições, geralmente em filas de prateleiras, para refletir como os itens são organizados no mundo real.

Fig 4. O YOLO26 pode permitir a conformidade de planograma. (Fonte)

Este layout estruturado é então comparado com o planograma esperado. O sistema verifica se as SKUs corretas estão nas posições certas, se o número necessário de frentes está sendo mantido e se algum produto está faltando ou fora do lugar.

Ao combinar a detecção de produtos com a comparação de layout, o sistema pode identificar diferenças entre o arranjo de prateleira esperado e o real. Os resultados podem ser apresentados como relatórios de conformidade ou painéis que destacam problemas no nível da loja.

Isso torna simples para as equipes da loja entenderem rapidamente o que há de errado, tomarem medidas corretivas e manterem uma execução de varejo consistente.

Link to this sectionPreparando um conjunto de dados para criar um sistema de conformidade de planograma#

O primeiro passo para criar um sistema de conformidade de planograma é preparar um conjunto de dados bem estruturado. Isso envolve coletar imagens de prateleiras de diferentes ambientes de varejo. A qualidade e a diversidade desses dados impactam diretamente o desempenho do modelo.

Conjuntos de dados públicos também podem ser usados como ponto de partida. No entanto, como layouts de lojas, sortimentos de produtos e arranjos de prateleiras variam entre varejistas, eles muitas vezes não correspondem totalmente às condições do mundo real.

Criar um conjunto de dados personalizado, adaptado ao ambiente da loja alvo, é geralmente necessário para um desempenho confiável. Os dados podem ser coletados usando fotos de prateleiras capturadas por câmeras na loja ou dispositivos móveis em diferentes locais de varejo.

Além dos dados do mundo real, configurações simuladas de prateleiras podem ser usadas para criar cenários controlados. Combinar ambos permite que um modelo tenha um desempenho mais confiável em diferentes ambientes de loja.

Também é crucial capturar diferentes condições reais de loja, como mudanças em layouts, arranjos de prateleiras, colocação de produtos, iluminação, ângulos de câmera e organização das prateleiras. Ao coletar dados diversos e realistas, o modelo pode aprender a generalizar entre as lojas e apoiar a detecção precisa de conformidade de planograma em escala.

Link to this sectionUma visão geral da rotulagem de um conjunto de dados de varejo#

Uma vez que os dados são coletados, o próximo passo é a anotação. Cada produto em uma imagem é rotulado desenhando caixas delimitadoras ao redor dele para que o modelo possa aprender a reconhecer diferentes SKUs.

Ao rotular, é importante definir classes claras. Isso pode ser feito em diferentes níveis de detalhe, dependendo do planograma.

No nível da SKU, cada variante de produto, como uma marca, tamanho ou sabor específico, é rotulada separadamente. No nível da categoria, produtos semelhantes podem ser agrupados, como todos os refrigerantes ou todos os lanches.

Ferramentas como a Ultralytics Platform, um ambiente de ponta a ponta para gerenciar conjuntos de dados, anotação, treinamento e implantação, podem simplificar esse processo. Ela suporta tanto a anotação manual quanto a rotulagem assistida por IA, onde os modelos podem sugerir anotações que podem ser revisadas e refinadas, ajudando a melhorar a velocidade e a consistência.

Link to this sectionTreinando o Ultralytics YOLO26 para detecção de produtos#

Uma vez que o conjunto de dados esteja preparado e rotulado, o próximo passo é treinar o YOLO26 para detectar produtos nas prateleiras das lojas. Isso pode ser feito usando o pacote Python da Ultralytics ou a Ultralytics Platform.

O pacote Python da Ultralytics oferece flexibilidade para criar pipelines personalizados e integrar o treinamento em fluxos de trabalho existentes. Da mesma forma, a Ultralytics Platform fornece um ambiente unificado onde você pode lidar com anotações, gerenciar conjuntos de dados, configurar o treinamento, executar experimentos e monitorar resultados a partir de um único painel.

Ela também oferece opções de GPU em nuvem para treinamento escalável e suporta implantação, reduzindo a necessidade de configurar infraestrutura ou gerenciar dependências.

Antes de iniciar o treinamento, aqui estão alguns outros fatores importantes a considerar:

• Divisão do conjunto de dados: O conjunto de dados deve ser dividido em conjuntos de treinamento, validação e teste. Isso ajuda a avaliar quão bem o modelo generaliza para novos dados e evita o sobreajuste (overfitting).
• Seleção do modelo: Os modelos YOLO26 vêm em diferentes tamanhos, permitindo que você equilibre velocidade e precisão com base nas suas necessidades de implantação.
• Configuração do treinamento: Parâmetros como tamanho do lote (batch size), tamanho da imagem e número de épocas podem impactar tanto a velocidade de treinamento quanto o desempenho do modelo.

Após a conclusão do treinamento, o modelo pode ser avaliado usando métricas como precisão, recall e mAP (precisão média média). Essas métricas permitem que você meça com que precisão o modelo detecta produtos e quão bem ele evita erros.

Se o desempenho do modelo não for forte o suficiente, o conjunto de dados e a configuração de treinamento podem ser melhorados. Isso pode incluir a aplicação de aumento de dados (data augmentation), a adição de imagens mais diversas ou o equilíbrio de classes onde algumas SKUs aparecem com menos frequência.

Link to this sectionIntegrando a lógica de conformidade de planograma#

O próximo passo após treinar e avaliar um modelo é criar a lógica que executa as verificações de conformidade de planograma. Isso envolve estruturar os dados da prateleira e compará-los com o layout esperado.

Aqui está uma visão geral de como esse processo funciona:

• Definir o layout esperado da prateleira: Primeiro, o layout esperado da prateleira é definido usando o planograma e representado como uma grade estruturada com linhas e colunas. Cada posição na grade corresponde a uma SKU específica, refletindo como os produtos devem ser organizados no espaço da prateleira.
• Organizar produtos detectados: Então, as detecções do modelo são organizadas com base em sua posição na prateleira. Usando suas coordenadas, os produtos são classificados e agrupados em linhas de prateleiras, convertendo detecções brutas em um layout estruturado que reflete o arranjo real da prateleira.
• Comparar layouts esperados e reais: Em seguida, o layout estruturado da prateleira é comparado com o planograma esperado para identificar diferenças. Se um produto detectado não corresponder à SKU esperada, ele é marcado como fora do lugar. Se um produto estiver faltando em uma posição, ele é marcado como ausente. Esta etapa também pode ser usada para verificar se o número necessário de frentes está sendo mantido.
• Gerar resultados de conformidade: Finalmente, um relatório de conformidade para cada prateleira pode ser produzido, destacando a não conformidade, desvios e discrepâncias. Esses resultados podem ser compartilhados por meio de painéis para ajudar as equipes a identificar e resolver problemas rapidamente.

Link to this sectionImplantando um modelo de visão para conformidade de planograma#

Depois de criar uma solução que integra detecção de produtos e lógica de conformidade, o próximo passo é implantá-la em um ambiente de loja de varejo. Existem algumas opções diferentes a serem consideradas ao abordar a implantação, dependendo do caso de uso e da infraestrutura.

Uma opção é implantar o modelo em dispositivos de borda (edge), como servidores na loja ou hardware embarcado. Esses sistemas são colocados próximos às câmeras para que as imagens das prateleiras possam ser processadas onde são capturadas, permitindo baixa latência e monitoramento em tempo real.

Outra opção é a implantação baseada em nuvem, onde as imagens são enviadas para servidores remotos para processamento. Isso pode facilitar o gerenciamento e o dimensionamento das implantações em vários locais, especialmente quando o monitoramento centralizado é necessário.

Dentro do ecossistema Ultralytics, existem várias opções que suportam esses diferentes cenários de implantação. Por exemplo, usando o pacote Python da Ultralytics, modelos YOLO26 treinados podem ser exportados para diferentes formatos, como ONNX, TensorRT ou CoreML.

Isso possibilita executar modelos em uma ampla gama de hardware, incluindo unidades de processamento gráfico (GPUs), unidades de processamento central (CPUs), dispositivos móveis e sistemas embarcados, dependendo das necessidades de implantação.

Enquanto isso, a Ultralytics Platform fornece opções de implantação integradas que simplificam o teste, a integração e a implantação em produção. Os modelos podem ser testados diretamente no navegador, integrados em aplicativos usando APIs de inferência compartilhadas ou implantados em endpoints dedicados para uso escalável em produção.

Ela também suporta a exportação de modelos para execução em sistemas externos ou dispositivos de borda, tornando mais fácil passar do desenvolvimento para a implantação no mundo real. Além disso, a plataforma inclui ferramentas de monitoramento que ajudam a rastrear o desempenho após a implantação e garantem uma operação confiável ao longo do tempo.

Link to this sectionBenefícios de usar visão por IA para detecção de conformidade de planograma#

Aqui estão algumas das principais vantagens de usar o YOLO26 para criar um sistema de conformidade de planograma:

• Adaptável a diferentes ambientes de varejo: O YOLO26 pode ser retreinado ou ajustado em novos dados, tornando-o adaptável a diferentes layouts de loja, sortimentos de produtos e variações regionais.
• Otimiza a tomada de decisão baseada em dados: Dados de conformidade podem ser agregados entre as lojas para identificar tendências, medir desempenho e melhorar estratégias de varejo.
• Monitoramento contínuo em tempo real: O YOLO26 é otimizado para inferência de baixa latência, permitindo a análise contínua de imagens de prateleiras e a detecção em tempo real de mudanças na colocação de produtos em dispositivos de borda.
• Integração com sistemas de varejo: Um sistema de detecção de conformidade de planograma alimentado por YOLO26 pode ser integrado a sistemas de inventário, POS (ponto de venda) ou análise para fornecer uma visão mais completa do desempenho da loja.

Link to this sectionPrincipais pontos#

A conformidade do planograma é vital para manter a colocação precisa dos produtos e operações de varejo consistentes. Ao combinar a detecção de produtos com a comparação de layout, as lojas podem reduzir auditorias manuais e verificar prateleiras com mais precisão. Com modelos como o YOLO26, tais sistemas podem ser usados em várias lojas e também podem apoiar melhores decisões usando dados em nível de loja.

Quer trazer a visão por IA para seus projetos? Junte-se à nossa comunidade ativa e saiba mais sobre visão por IA no varejo e visão computacional em robótica. Explore nosso repositório GitHub para saber mais. Confira nossas opções de licenciamento para começar!