Использование Ultralytics YOLO26 для обнаружения соответствия планограмме

Мы все заходили в магазин за чем-нибудь вроде хлеба или хлопьев, несколько минут искали нужный товар на полках, а затем понимали, что не можем его найти. Иногда он лежит не на своем месте, иногда его нет в наличии, а иногда он просто сливается со всем остальным на полке.

Для розничных продавцов правильное размещение товаров важнее, чем может показаться. От него зависит, насколько легко покупатели находят нужные товары, и он напрямую влияет на продажи и общую удовлетворенность клиентов. Чтобы управлять размещением, магазины используют планограмму — простую схему, показывающую, где на полке должен находиться каждый товар.

Проверка соответствия планограмме — это процесс, в ходе которого проверяется, совпадает ли фактический вид полки с ожидаемой схемой размещения. Во многих магазинах это по-прежнему делают с помощью ручных проверок и контрольных списков, что может занимать много времени и приводить к непоследовательным результатам.

Рис. 1. Сравнение планограммы и фактической полки (реалограммы) с результатами обнаружения соответствия (Источник)

Даже небольшие несоответствия, такие как неправильно размещенные SKU (единицы хранения запасов), неверные цены или товары, отсутствующие в наличии, могут иметь значение. SKU — это уникальные коды, используемые для идентификации и отслеживания отдельных вариантов товаров, например разных размеров или вкусов. Такие проблемы снижают доступность товаров на полке и могут приводить к потере продаж.

Поэтому розничные продавцы все чаще обращаются к компьютерному зрению и распознаванию изображений. Эти технологии ИИ могут анализировать изображения полок, полученные с камер в магазинах, автоматически обнаруживать товары и проверять правильность их размещения. Модели Vision AI, такие как Ultralytics YOLO26, делают этот процесс быстрым, точным и практичным для использования в реальных магазинах.

В этой статье мы разберем, как создать систему обнаружения соответствия планограмме с помощью Ultralytics YOLO26. Давай начнем!

Что такое соответствие планограмме?#

Соответствие планограмме помогает поддерживать единообразие оформления магазинов, обеспечивает точность цен и рекламных акций, улучшает управление запасами и облегчает покупателям поиск товаров на полках.

Это означает размещение товаров в соответствии с заранее определенной схемой или планограммой. Эта схема определяет, где должен находиться каждый товар, сколько фейсингов у него должно быть (количество товаров, размещенных у переднего края полки и видимых покупателям), а также какие товары должны находиться рядом друг с другом.

И розничные продавцы, и бренды потребительских товаров (CPG) полагаются на планограммы. Розничные продавцы используют их для организации полок и поддержания единообразия в разных магазинах, а бренды CPG — чтобы их товары были размещены правильно и получали необходимую видимость.

Рис. 2. Сопоставление планограммы с фактической схемой полки (Источник)

Процесс аудита планограммы заключается в сравнении фактической полки с ожидаемой схемой. При этом проверяется, находятся ли правильные SKU на нужных позициях и поддерживается ли требуемое количество фейсингов.

Ты можешь подумать, действительно ли размещение товара на полке имеет значение. Но когда товары выглядят похоже, даже небольшие ошибки в размещении могут затруднить их поиск или запутать покупателей.

Это может повлиять на точность цен и решения покупателей. Поддержание соответствия помогает сохранять порядок на полках и улучшает покупательский опыт.

Использование компьютерного зрения для проверки соответствия планограмме#

Традиционно розничные магазины поддерживали соответствие планограмме с помощью ручных проверок и контрольных списков. Сотрудники магазина осматривали полки, проверяли размещение товаров и фейсинги, а затем фиксировали результаты.

Однако этот процесс может занимать много времени, его трудно масштабировать на несколько магазинов, и он часто приводит к непоследовательному выполнению проверок. Розничная отрасль быстро внедряет компьютерное зрение — область искусственного интеллекта, которая позволяет системам анализировать и понимать изображения, — чтобы эффективнее проводить такие проверки соответствия.

Эти системы используют камеры для получения изображений полок и обрабатывают их с помощью обученных моделей, распознающих отдельные товары. Модели компьютерного зрения, такие как Ultralytics YOLO26, поддерживают такие задачи компьютерного зрения, как обнаружение объектов и сегментация экземпляров, что позволяет точно идентифицировать товары на розничных полках и определять их местоположение.

Рис. 3. Пример использования YOLO26 для обнаружения и сегментации товаров на розничной полке (Источник)

Использовать Ultralytics YOLO26 для этой задачи также достаточно просто: модель доступна из коробки в предварительно обученном виде, что дает надежную отправную точку, а затем ее можно дообучить на данных о розничных полках для распознавания конкретных товаров.

На основе этих обнаружений система проверки соответствия планограмме может определить позиции товаров на полке и сравнить их с ожидаемой схемой. Такой подход позволяет розничным продавцам отказаться от одних лишь ручных проверок и постоянно отслеживать состояние полок на уровне магазина.

Они могут обнаруживать товары на уровне SKU, выявлять ошибки размещения и повышать доступность товаров на полке и качество исполнения в целом.

Как работает обнаружение соответствия планограмме на основе ИИ#

Прежде чем перейти к использованию Ultralytics YOLO26 для обнаружения соответствия планограмме, давай сначала разберемся, как в таких системах объединяются обнаружение товаров и сравнение схем размещения.

Система проверки соответствия планограмме обычно работает в два основных этапа. Сначала модель, например Ultralytics YOLO26, анализирует изображения полок, обнаруживает товары и классифицирует их. Для каждого обнаружения модель также предоставляет информацию о местоположении, показывающую, где именно товар находится на полке.

Затем эти обнаружения организуются в структурированную схему полки. Товары группируются на основе их позиций, обычно по рядам полки, чтобы отразить порядок их размещения в реальном мире.

Рис. 4. Ultralytics YOLO26 может обеспечивать соответствие планограмме. (Источник)

Затем эта структурированная схема сравнивается с ожидаемой планограммой. Система проверяет, находятся ли правильные SKU на нужных позициях, поддерживается ли требуемое количество фейсингов, а также отсутствуют ли товары или находятся ли они не на своих местах.

Сочетая обнаружение товаров со сравнением схемы, система может выявлять различия между ожидаемым и фактическим размещением на полке. Результаты можно представлять в виде отчетов о соответствии или дашбордов, выделяющих проблемы на уровне магазина.

Благодаря этому сотрудники магазина могут быстро понять, что не так, принять корректирующие меры и поддерживать единообразное выполнение стандартов розничной торговли.

Подготовка датасета для создания системы проверки соответствия планограмме#

Первый шаг при создании системы проверки соответствия планограмме — подготовка хорошо структурированного датасета. Для этого нужно собрать изображения полок в различных условиях розничной торговли. Качество и разнообразие этих данных напрямую влияют на эффективность модели.

В качестве отправной точки можно использовать и общедоступные датасеты. Однако схемы магазинов, ассортимент товаров и размещение на полках различаются у разных розничных продавцов, поэтому такие датасеты часто не полностью соответствуют реальным условиям.

Для надежной работы обычно необходимо создать собственный датасет, адаптированный к условиям целевого магазина. Данные можно собирать с помощью фотографий полок, сделанных камерами в магазинах или мобильными устройствами в разных торговых точках.

Помимо данных из реального мира, для создания контролируемых сценариев можно использовать смоделированные варианты оформления полок. Сочетание обоих типов данных позволяет модели надежнее работать в разных условиях магазинов.

Также крайне важно зафиксировать различные реальные условия в магазинах, включая изменения схем, размещения на полках, положения товаров, освещения, ракурсов камер и организации полок. Собирая разнообразные и реалистичные данные, ты помогаешь модели учиться обобщать знания на разные магазины и поддерживать точное обнаружение соответствия планограмме в больших масштабах.

Обзор разметки датасета для розничной торговли#

После сбора данных следующим шагом становится аннотирование. Каждый товар на изображении размечается ограничивающей рамкой, чтобы модель могла научиться распознавать разные SKU.

При разметке важно определить четкие классы. Это можно сделать с разной степенью детализации в зависимости от планограммы.

На уровне SKU каждый вариант товара, например конкретный бренд, размер или вкус, размечается отдельно. На уровне категорий похожие товары можно объединять, например все безалкогольные напитки или все снеки.

Такие инструменты, как Ultralytics Platform — комплексная среда для управления датасетами, аннотированием, обучением и развертыванием, — могут упростить этот процесс. Платформа поддерживает как ручную разметку, так и разметку с помощью ИИ, при которой модели предлагают аннотации для последующей проверки и уточнения, помогая повысить скорость и единообразие.

Обучение Ultralytics YOLO26 для обнаружения товаров#

После подготовки и разметки датасета следующим шагом становится обучение YOLO26 обнаружению товаров на розничных полках. Это можно сделать с помощью пакета Ultralytics для Python или Ultralytics Platform.

Пакет Ultralytics для Python обеспечивает гибкость при создании пользовательских конвейеров и интеграции обучения в существующие рабочие процессы. Аналогично, Ultralytics Platform предоставляет единую среду, в которой ты можешь выполнять аннотирование, управлять датасетами, настраивать обучение, запускать эксперименты и отслеживать результаты с одной панели управления.

Платформа также предлагает облачные GPU для масштабируемого обучения и поддерживает развертывание, уменьшая необходимость самостоятельно настраивать инфраструктуру или управлять зависимостями.

Перед началом обучения следует учесть еще несколько важных факторов:

• Разделение датасета: Датасет следует разделить на обучающую, валидационную и тестовую выборки. Это помогает оценить, насколько хорошо модель обобщает данные, и избежать переобучения.
• Выбор модели: Модели Ultralytics YOLO26 доступны в разных размерах, что позволяет найти баланс между скоростью и точностью в зависимости от требований к развертыванию.
• Настройка обучения: Такие параметры, как размер пакета, размер изображения и количество эпох, могут влиять как на скорость обучения, так и на эффективность модели.

После завершения обучения модель можно оценить с помощью таких метрик, как точность, полнота и mAP (средняя точность). Эти метрики позволяют измерить, насколько точно модель обнаруживает товары и насколько хорошо избегает ошибок.

Если эффективность модели недостаточно высока, можно улучшить датасет и настройки обучения. Это может включать применение аугментации данных, добавление более разнообразных изображений или балансировку классов, в которых некоторые SKU встречаются реже.

Интеграция логики проверки соответствия планограмме#

Следующий шаг после обучения и оценки модели — создание логики, выполняющей проверки соответствия планограмме. Для этого нужно структурировать данные о полке и сравнить их с ожидаемой схемой.

Ниже приведен обзор работы этого процесса:

• Определи ожидаемую схему полки: Сначала ожидаемая схема полки задается с помощью планограммы и представляется в виде структурированной сетки со строками и столбцами. Каждая позиция в сетке соответствует определенному SKU и отражает порядок размещения товаров на полке.
• Организуй обнаруженные товары: Затем обнаружения модели упорядочиваются в соответствии с их положением на полке. По координатам товары сортируются и группируются по рядам полки, превращая необработанные обнаружения в структурированную схему, отражающую фактическое размещение на полке.
• Сравни ожидаемую и фактическую схемы: Затем структурированная схема полки сравнивается с ожидаемой планограммой для выявления различий. Если обнаруженный товар не соответствует ожидаемому SKU, он помечается как размещенный не на своем месте. Если товар отсутствует в определенной позиции, она помечается как незаполненная. Этот этап также можно использовать для проверки того, поддерживается ли требуемое количество фейсингов.
• Сформируй результаты проверки соответствия: Наконец, для каждой полки можно сформировать отчет о соответствии, выделяющий несоответствия, отклонения и расхождения. Эти результаты можно размещать на дашбордах, чтобы команды могли быстро выявлять и устранять проблемы.

Развертывание модели компьютерного зрения для проверки соответствия планограмме#

После создания решения, объединяющего обнаружение товаров и логику проверки соответствия, следующим шагом становится его развертывание в условиях розничного магазина. При выборе подхода к развертыванию можно рассмотреть несколько вариантов в зависимости от задачи и инфраструктуры.

Один из вариантов — развернуть модель на периферийных устройствах, например на серверах в магазине или встроенном оборудовании. Такие системы размещаются рядом с камерами, чтобы изображения полок обрабатывались непосредственно в месте съемки, обеспечивая малую задержку и мониторинг в реальном времени.

Другой вариант — развертывание в облаке, при котором изображения отправляются на удаленные серверы для обработки. Это упрощает управление развертываниями и их масштабирование в нескольких точках, особенно когда требуется централизованный мониторинг.

В экосистеме Ultralytics есть несколько вариантов, поддерживающих эти сценарии развертывания. Например, с помощью пакета Ultralytics для Python обученные модели YOLO26 можно экспортировать в такие форматы, как ONNX, TensorRT или CoreML.

Это позволяет запускать модели на широком спектре оборудования, включая GPU (графические процессоры), CPU (центральные процессоры), мобильные устройства и встроенные системы, в зависимости от требований к развертыванию.

Ultralytics Platform, в свою очередь, предоставляет встроенные варианты развертывания, упрощающие тестирование, интеграцию и развертывание в рабочей среде. Модели можно тестировать непосредственно в браузере, интегрировать в приложения с помощью общих API инференса или развертывать на выделенных конечных точках для масштабируемого использования в рабочей среде.

Платформа также поддерживает экспорт моделей для запуска во внешних системах или на периферийных устройствах, упрощая переход от разработки к развертыванию в реальных условиях. Кроме того, платформа включает инструменты мониторинга, которые помогают отслеживать эффективность после развертывания и обеспечивать надежную работу с течением времени.

Преимущества использования Vision AI для обнаружения соответствия планограмме#

Вот несколько ключевых преимуществ использования Ultralytics YOLO26 для создания системы проверки соответствия планограмме:

• Адаптация к разным условиям розничной торговли: Ultralytics YOLO26 можно переобучать или дообучать на новых данных, что позволяет адаптировать модель к разным схемам магазинов, ассортиментам товаров и региональным особенностям.
• Оптимизация принятия решений на основе данных: Данные о соответствии можно агрегировать по магазинам, чтобы выявлять тенденции, измерять эффективность и улучшать стратегии розничной торговли.
• Непрерывный мониторинг в реальном времени: Ultralytics YOLO26 оптимизирована для инференса с малой задержкой, что позволяет непрерывно анализировать изображения полок и в реальном времени обнаруживать изменения в размещении товаров на периферийных устройствах.
• Интеграция с розничными системами: Систему обнаружения соответствия планограмме на базе Ultralytics YOLO26 можно интегрировать с системами управления запасами, POS (точка продаж) или аналитическими системами, чтобы получить более полное представление об эффективности магазина.

Основные выводы#

Соответствие планограмме имеет критическое значение для правильного размещения товаров и единообразной работы розничных магазинов. Объединяя обнаружение товаров со сравнением схем, магазины могут сократить объем ручных проверок и точнее проверять состояние полок. С такими моделями, как Ultralytics YOLO26, эти системы можно использовать в нескольких магазинах, а также принимать более эффективные решения на основе данных на уровне магазина.

Хочешь внедрить Vision AI в свои проекты? Присоединяйся к нашему активному сообществу и узнай больше о Vision AI в розничной торговле и компьютерном зрении в робототехнике. Загляни в наш репозиторий GitHub, чтобы узнать больше. Ознакомься с нашими вариантами лицензирования, чтобы начать!