Usando Ultralytics YOLO26 para detectar a conformidade com planogramas

Todos nós já entramos em uma loja para comprar algo como pão ou cereal, passamos alguns minutos procurando nas prateleiras e percebemos que não conseguimos encontrar o produto. Às vezes, ele está no lugar errado; às vezes, está em falta; e, às vezes, simplesmente se mistura a todos os outros produtos 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 dos clientes. Para gerenciar isso, as lojas usam um planograma, uma representação simples que mostra onde cada produto deve ficar na prateleira.

A conformidade com o planograma é o processo de verificar se a prateleira real corresponde à disposição prevista. Em muitas lojas, isso ainda é feito por meio de auditorias manuais e listas de verificação, o que pode levar tempo e gerar resultados inconsistentes.

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

Mesmo pequenas discrepâncias, como SKUs (códigos de identificação de produtos) mal posicionados, preços incorretos ou produtos em falta, podem fazer diferença. Os SKUs são códigos únicos usados para identificar e rastrear variantes individuais de produtos, como tamanhos ou sabores diferentes. Esses problemas reduzem a disponibilidade dos produtos nas prateleiras e podem causar perda de vendas.

É por isso que os varejistas estão recorrendo cada vez mais à visão computacional e ao reconhecimento de imagens. Essas tecnologias de IA podem analisar imagens das prateleiras capturadas por câmeras nas lojas, detectar produtos automaticamente e verificar se estão posicionados corretamente. Modelos de IA de visão como o Ultralytics YOLO26 tornam esse processo rápido, preciso e prático para uso em lojas reais.

Neste artigo, vamos explicar como desenvolver um sistema de detecção de conformidade com planogramas usando o Ultralytics YOLO26. Vamos começar!

O que é conformidade com o planograma?#

A conformidade com o planograma ajuda a manter a consistência da disposição das lojas, contribui para a precisão dos preços e das promoções, melhora a gestão de estoque e facilita para os clientes encontrarem produtos nas prateleiras.

Ela consiste em organizar os produtos de acordo com uma disposição predefinida ou um planograma. Essa disposição define onde cada produto deve ficar, quantas frentes de exposição deve ter (o número de produtos posicionados na parte da frente da prateleira e visíveis aos clientes) e quais produtos devem ficar lado a lado.

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

Fig. 2. Comparação entre um planograma e a disposição real de uma prateleira (Fonte)

O processo de auditoria de planogramas envolve comparar uma prateleira real com a disposição prevista. Isso inclui verificar se os SKUs corretos estão nas posições adequadas e se o número necessário de frentes de exposição está sendo mantido.

Você pode estar se perguntando se a posição de um produto na prateleira realmente faz diferença. Mas, quando os produtos são parecidos, até mesmo pequenos erros de posicionamento podem dificultar que os clientes encontrem os itens ou deixá-los confusos.

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

Usar visão computacional para verificar a conformidade com o planograma#

Tradicionalmente, as lojas de varejo mantêm a conformidade com o planograma por meio de auditorias manuais e listas de verificação. Os funcionários das lojas inspecionam a disposição das prateleiras, verificam o posicionamento e as frentes dos produtos e registram suas observações.

No entanto, esse processo pode consumir muito tempo, ser difícil de escalar para várias lojas e, muitas vezes, levar a inconsistências na forma como as verificações são realizadas. O setor varejista está adotando rapidamente a visão computacional, um campo da inteligência artificial que permite aos sistemas analisar e compreender imagens, para lidar melhor com essas verificações de conformidade.

Esses sistemas usam câmeras para capturar imagens das prateleiras e processá-las com modelos treinados para reconhecer produtos individuais. Modelos de visão computacional como o Ultralytics YOLO26 oferecem suporte a tarefas de visão, como detecção de objetos e segmentação de instâncias, possibilitando identificar e localizar com precisão os produtos nas prateleiras do varejo.

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

Usar Ultralytics YOLO26 nesse caso de uso também é simples, já que o modelo pré-treinado está disponível pronto para uso, oferecendo um excelente ponto de partida, e pode ser treinado de forma personalizada com dados de prateleiras do varejo para reconhecer produtos específicos.

Com base nessas detecções, um sistema de detecção de conformidade com o planograma pode mapear as posições dos produtos na prateleira e compará-las com a disposição esperada. Com essa abordagem, os varejistas podem ir além das verificações manuais e monitorar as prateleiras continuamente em cada loja.

Eles podem detectar produtos no nível de SKU, identificar erros de posicionamento e melhorar a disponibilidade nas prateleiras e a execução geral.

Entenda como funciona a detecção de conformidade com o planograma baseada em IA#

Antes de vermos como usar Ultralytics YOLO26 para detectar a conformidade com o planograma, vamos dar um passo atrás e entender como a detecção de produtos e a comparação de layouts se combinam nesses sistemas.

Um sistema de conformidade com o planograma normalmente funciona em duas etapas principais. Primeiro, um modelo como o Ultralytics YOLO26 analisa imagens das prateleiras para detectar e classificar produtos. Além de 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 estruturado da prateleira. Os produtos são agrupados com base em suas posições, normalmente em fileiras, para refletir como os itens estão organizados no mundo real.

Fig. 4. Ultralytics YOLO26 pode viabilizar a conformidade com o planograma. (Fonte)

Esse layout estruturado é então comparado com o planograma esperado. O sistema verifica se os SKUs corretos estão nas posições certas, se a quantidade necessária de frentes está mantida e se algum produto está faltando ou foi colocado no lugar errado.

Ao combinar a detecção de produtos com a comparação de layouts, o sistema pode identificar diferenças entre a disposição esperada e a real das prateleiras. Os resultados podem ser apresentados em relatórios de conformidade ou painéis que destacam problemas em cada loja.

Isso facilita para as equipes das lojas entenderem rapidamente o que está errado, tomarem medidas corretivas e manterem uma execução consistente no varejo.

Preparar um conjunto de dados para criar um sistema de conformidade com o planograma#

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

Conjuntos de dados públicos também podem servir como ponto de partida. No entanto, como os layouts das lojas, os sortimentos de produtos e a disposição das prateleiras variam entre varejistas, eles muitas vezes não representam totalmente as condições do mundo real.

Em geral, é necessário criar um conjunto de dados personalizado para o ambiente da loja em questão e obter um desempenho confiável. Os dados podem ser coletados com fotos das prateleiras capturadas por câmeras instaladas nas lojas ou por dispositivos móveis em diferentes locais de varejo.

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

Também é fundamental capturar diferentes condições reais das lojas, como mudanças nos layouts, na disposição das prateleiras, no posicionamento dos produtos, na iluminação, nos ângulos das câmeras e na organização das prateleiras. Ao coletar dados diversos e realistas, o modelo pode aprender a generalizar entre lojas e oferecer suporte à detecção precisa da conformidade com o planograma em grande escala.

Visão geral da anotação de um conjunto de dados do varejo#

Depois de coletar os dados, o próximo passo é fazer a anotação. Cada produto em uma imagem é rotulado com caixas delimitadoras desenhadas ao redor dele, para que o modelo aprenda a reconhecer diferentes SKUs.

Durante a rotulagem, é importante definir classes claras. Isso pode ser feito em diferentes níveis de detalhe, dependendo do planograma.

No nível de SKU, cada variante de produto, como uma marca, um tamanho ou um sabor específico, é rotulada separadamente. No nível de categoria, produtos semelhantes podem ser agrupados, como todas as bebidas não alcoólicas ou todos os lanches.

Ferramentas como a Ultralytics Platform, um ambiente completo para gerenciar conjuntos de dados, anotação, treinamento e implantação, podem simplificar esse processo. Ela oferece suporte tanto à anotação manual quanto à rotulagem assistida por IA, em que os modelos sugerem anotações que podem ser revisadas e refinadas, ajudando a aumentar a velocidade e a consistência.

Treinar Ultralytics YOLO26 para a detecção de produtos#

Depois de preparar e rotular o conjunto de dados, o próximo passo é treinar o YOLO26 para detectar produtos nas prateleiras do varejo. 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 aos fluxos de trabalho existentes. Da mesma forma, a Ultralytics Platform oferece um ambiente unificado no qual você pode fazer anotações, gerenciar conjuntos de dados, configurar o treinamento, executar experimentos e monitorar resultados em um único painel.

A plataforma também oferece opções de GPU na nuvem para treinamento escalável e oferece suporte à implantação, reduzindo a necessidade de configurar a infraestrutura ou gerenciar dependências.

Antes de iniciar o treinamento, considere também alguns outros fatores importantes:

• Divisão do conjunto de dados: O conjunto de dados deve ser dividido em conjuntos de treinamento, validação e teste. Isso ajuda a avaliar o quanto 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 de acordo com suas necessidades de implantação.
• Configuração do treinamento: Parâmetros como tamanho do lote, tamanho da imagem e número de épocas podem afetar tanto a velocidade do treinamento quanto o desempenho do modelo.

Depois que o treinamento for concluído, o modelo pode ser avaliado com métricas como precisão, revocação e mAP (precisão média). Essas métricas permitem medir a precisão com que o modelo detecta produtos e o quanto evita erros.

Se o desempenho do modelo não for bom o suficiente, você pode aprimorar o conjunto de dados e a configuração do treinamento. Isso pode incluir aplicar aumento de dados, adicionar imagens mais variadas ou equilibrar as classes em que alguns SKUs aparecem com menos frequência.

Integrar a lógica de conformidade com o planograma#

Depois de treinar e avaliar um modelo, o próximo passo é criar a lógica que realiza as verificações de conformidade com o planograma. Isso envolve estruturar os dados das prateleiras e compará-los com a disposição esperada.

Veja uma visão geral de como esse processo funciona:

• Definir a disposição esperada da prateleira: Primeiro, a disposição esperada da prateleira é definida com base no planograma e representada como uma grade estruturada com linhas e colunas. Cada posição da grade corresponde a um SKU específico, refletindo como os produtos devem ser organizados no espaço da prateleira.
• Organizar os produtos detectados: Em seguida, as detecções do modelo são organizadas de acordo com a posição dos produtos na prateleira. Usando suas coordenadas, os produtos são ordenados e agrupados em fileiras, transformando detecções brutas em um layout estruturado que representa a disposição real da prateleira.
• Comparar os layouts esperado e real: Em seguida, o layout estruturado da prateleira é comparado com o planograma esperado para identificar diferenças. Se um produto detectado não corresponder ao SKU esperado, ele será marcado como fora do lugar. Se um produto estiver faltando em uma posição, isso será sinalizado. Essa etapa também pode ser usada para verificar se a quantidade necessária de frentes está mantida.
• Gerar resultados de conformidade: Por fim, é possível gerar um relatório de conformidade para cada prateleira, destacando não conformidades, desvios e discrepâncias. Esses resultados podem ser compartilhados em painéis para ajudar as equipes a identificar e resolver problemas rapidamente.

Implantar um modelo de visão para verificar a conformidade com o planograma#

Depois de criar uma solução que integre a detecção de produtos e a lógica de conformidade, o próximo passo é implantá-la em um ambiente de loja de varejo. Há algumas opções diferentes a considerar na implantação, dependendo do caso de uso e da infraestrutura.

Uma opção é implantar o modelo em dispositivos de borda, como servidores nas lojas ou hardware embarcado. Esses sistemas ficam próximos às câmeras para que as imagens das prateleiras sejam processadas no local da captura, permitindo baixa latência e monitoramento em tempo real.

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

No ecossistema Ultralytics, há várias opções que oferecem suporte a esses diferentes cenários de implantação. Por exemplo, usando o pacote Python da Ultralytics, os modelos YOLO26 podem ser exportados para diferentes formatos, como ONNX, TensorRT ou CoreML.

Isso permite executar modelos em uma ampla variedade de hardware, incluindo unidades de processamento gráfico (GPUs), unidades centrais de processamento (CPUs), dispositivos móveis e sistemas embarcados, de acordo com as necessidades da implantação.

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

A plataforma também oferece suporte à exportação de modelos para execução em sistemas externos ou dispositivos de borda, facilitando a transição do desenvolvimento para a implantação no mundo real. Além disso, a plataforma inclui ferramentas de monitoramento que ajudam a acompanhar o desempenho após a implantação e a garantir uma operação confiável ao longo do tempo.

Benefícios de usar IA de visão para detectar a conformidade com o planograma#

Veja algumas das principais vantagens de usar Ultralytics YOLO26 para criar um sistema de conformidade com o planograma:

• Adaptação a diferentes ambientes de varejo: Ultralytics YOLO26 pode ser retreinado ou ajustado com novos dados, adaptando-se a diferentes layouts de loja, sortimentos 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 aprimorar as estratégias de varejo.
• Monitoramento contínuo em tempo real: Ultralytics YOLO26 é otimizado para inferência de baixa latência, permitindo a análise contínua de imagens das prateleiras e a detecção, em tempo real e em dispositivos de borda, de mudanças no posicionamento dos produtos.
• Integração com sistemas de varejo: Um sistema de detecção de conformidade com o planograma baseado em Ultralytics YOLO26 pode ser integrado a sistemas de estoque, PDV (ponto de venda) ou análise de dados para oferecer uma visão mais completa do desempenho das lojas.

Principais conclusões#

A conformidade com o planograma é essencial para manter o posicionamento correto dos produtos e operações de varejo consistentes. Ao combinar a detecção de produtos com a comparação de layouts, as lojas podem reduzir as auditorias manuais e verificar as prateleiras com mais precisão. Com modelos como Ultralytics YOLO26, esses sistemas podem ser usados em várias lojas e também ajudar a tomar decisões melhores com base em dados de cada loja.

Quer incorporar IA de visão aos seus projetos? Participe da nossa comunidade, sempre ativa, e saiba mais sobre IA de visão no varejo e visão computacional na robótica. Explore nosso repositório no GitHub para saber mais. Confira nossas opções de licenciamento para começar!