Узнайте, как создать систему контроля соответствия планограммам с помощью моделей искусственного интеллекта на базе технологий машинного зрения, таких как Ultralytics , для detect товаров и автоматизации проверки полок в розничных магазинах.
Каждый из нас хотя бы раз заходил в магазин, чтобы купить, например, хлеб или хлопья, несколько минут осматривал полки, а потом понимал, что не может найти нужный товар. Иногда он лежит не на том месте, иногда его нет в наличии, а иногда он просто теряется среди всего остального на полке.
Для розничных продавцов правильное размещение товаров имеет большее значение, чем может показаться. От этого зависит, насколько легко покупатели могут найти нужные товары, что напрямую влияет на объем продаж и общую удовлетворенность клиентов. Для решения этой задачи магазины используют планограмму — простую схему, показывающую, где на полке должен находиться каждый товар.
Соответствие планограмме — это процесс проверки того, соответствует ли фактическая раскладка товаров на полках запланированной схеме. Во многих магазинах это по-прежнему осуществляется с помощью ручных проверок и контрольных списков, что может быть трудоемким и приводить к несогласованности результатов.
Даже небольшие несоответствия, такие как неправильное указание SKU (учетных единиц), неверные цены или отсутствие товаров в наличии, могут иметь серьезные последствия. SKU — это уникальные коды, используемые для идентификации и track вариантов товаров, например разных размеров или вкусов. Эти проблемы снижают доступность товаров на полках и могут привести к потере продаж.
Именно поэтому ритейлеры всё чаще обращаются к технологиям компьютерного зрения и распознавания изображений. Эти технологии искусственного интеллекта позволяют анализировать изображения полок, снятые камерами в магазинах, автоматически detect и проверять, правильно ли они размещены. Модели искусственного интеллекта для компьютерного зрения, такие как Ultralytics , делают этот процесс быстрым, точным и удобным для использования в реальных условиях магазина.
В этой статье мы рассмотрим, как создать систему обнаружения несоответствий планограммам с использованием Ultralytics . Приступим!
Соблюдение планограммы способствует единообразной планировке магазина, обеспечивает точное ценообразование и проведение рекламных акций, улучшает управление запасами и облегчает покупателям поиск товаров на полках.
Это означает размещение товаров в соответствии с заранее определенной схемой или планограммой. Данная схема определяет, где должен быть размещен каждый товар, сколько фасадов он должен иметь (количество товаров, расположенных в передней части полки и видимых покупателям), а также какие товары должны располагаться рядом друг с другом.
Как розничные сети, так и бренды товаров повседневного спроса (CPG) полагаются на планограммы. Розничные сети используют их для организации полок и обеспечения единообразия в своих магазинах, а бренды CPG — для того, чтобы их товары были выставлены правильно и получали должную видимость.
Процесс проверки планограмм включает в себя сравнение фактического состояния полки с запланированной компоновкой. В частности, проверяется, размещены ли нужные артикулы на правильных местах и соблюдается ли требуемое количество фасадов.
Возможно, вы задаетесь вопросом, действительно ли расположение товара на полке имеет значение. Но когда товары выглядят одинаково, даже небольшие ошибки в размещении могут затруднить их поиск или сбить покупателей с толку.
Это может повлиять на точность ценообразования и решения покупателей. Соблюдение требований позволяет поддерживать порядок на полках и повышает качество обслуживания покупателей.
Традиционно розничные магазины обеспечивают соблюдение планограмм с помощью ручных проверок и контрольных списков. Персонал магазина проверяет расположение товаров на полках, контролирует их размещение и выкладку, а также фиксирует свои наблюдения.
Однако этот процесс может быть трудоемким, его сложно масштабировать на множество магазинов, и он часто приводит к несогласованности в методах проведения проверок. В сфере розничной торговли активно внедряется компьютерное зрение — область искусственного интеллекта, позволяющая системам анализировать и понимать изображения, — с целью более эффективного проведения таких проверок на соответствие требованиям.
Эти системы используют камеры для съемки изображений полок и обрабатывают их с помощью обученных моделей для распознавания отдельных товаров. Модели компьютерного зрения, такие как Ultralytics , поддерживают такие задачи, как обнаружение объектов и сегментация экземпляров, что позволяет точно идентифицировать и определять местонахождение товаров на торговых полках.
Использование YOLO26 в данном случае также не представляет сложности, поскольку эта модель доступна в готовом виде в качестве предварительно обученной модели, что обеспечивает отличную отправную точку, и может быть дополнительно обучена на данных о товарах на торговых полках для распознавания конкретных продуктов.
На основе этих данных система контроля соответствия планограммам может отображать расположение товаров на полках и сравнивать его с запланированной расстановкой. Благодаря такому подходу ритейлеры могут отказаться от ручных проверок и осуществлять постоянный мониторинг полок на уровне отдельных магазинов.
Они могут detect на уровне SKU, выявлять ошибки в размещении товаров, а также повышать их наличие на полках и общую эффективность работы.
Прежде чем мы перейдем к тому, как использовать YOLO26 для выявления несоответствий планограммам, давайте сначала разберемся, как в таких системах сочетаются функции распознавания товаров и сравнения их расположения.
Система контроля соответствия планограммам обычно работает в два основных этапа. Сначала модель, такая как Ultralytics , анализирует изображения полок для detect classify . При каждом обнаружении модель предоставляет информацию о расположении, показывающую, где именно на полке находится каждый товар.
Далее эти обнаруженные объекты систематизируются в виде структурированной схемы расположения на полках. Товары группируются в зависимости от их местоположения, как правило, по рядам на полках, чтобы отразить то, как они располагаются в реальности.
Затем эта структурированная схема сравнивается с ожидаемой планограммой. Система проверяет, находятся ли нужные SKU на правильных местах, соблюдается ли требуемое количество фасадов, а также отсутствуют ли какие-либо товары или размещены ли они неверно.
Благодаря сочетанию функций распознавания товаров и сравнения компоновки системы удаётся выявлять расхождения между запланированной и фактической расстановкой товаров на полках. Результаты могут быть представлены в виде отчётов о соответствии или информационных панелей, на которых выделяются проблемы на уровне отдельного магазина.
Благодаря этому сотрудники магазина могут без труда быстро выяснить, в чём проблема, принять меры по исправлению ситуации и обеспечить стабильное выполнение торговых операций.
Первым шагом в создании системы контроля соответствия планограммам является подготовка хорошо структурированного набора данных. Это предполагает сбор фотографий полок из различных торговых точек. Качество и разнообразие этих данных напрямую влияют на эффективность работы модели.
В качестве отправной точки можно также использовать общедоступные наборы данных. Однако, поскольку планировка магазинов, ассортимент товаров и расположение товаров на полках у разных розничных сетей различаются, эти данные зачастую не в полной мере соответствуют реальным условиям.
Для обеспечения стабильной работы обычно требуется создать набор данных, адаптированный к условиям конкретного магазина. Данные можно собирать с помощью фотографий полок, сделанных камерами в магазине или мобильными устройствами в различных торговых точках.
Помимо реальных данных, для создания контролируемых сценариев можно использовать моделированные конфигурации торговых полок. Сочетание этих двух подходов позволяет модели работать более надежно в различных условиях магазинов.
Кроме того, чрезвычайно важно учитывать различные реальные условия в магазинах, такие как изменения планировки, расположения полок, размещения товаров, освещения, углов съёмки и организации полок. Благодаря сбору разнообразных и реалистичных данных модель может научиться обобщать информацию по всем магазинам и обеспечивать точное выявление несоответствий планограммам в широком масштабе.
После сбора данных следующим этапом является аннотирование. Каждый товар на изображении маркируется путем нанесения вокруг него ограничительных рамок, чтобы модель могла научиться распознавать различные артикулы.
При маркировке важно четко определять категории. Это можно делать с разной степенью детализации в зависимости от планограммы.
На уровне SKU каждый вариант товара, например конкретная марка, размер или вкус, маркируется отдельно. На уровне категории похожие товары можно сгруппировать, например все безалкогольные напитки или все снеки.
Такие инструменты, как Ultralytics — комплексная среда для управления наборами данных, аннотирования, обучения и развертывания, — могут упростить этот процесс. Она поддерживает как ручное аннотирование, так и маркировку с помощью искусственного интеллекта, при которой модели могут предлагать варианты аннотаций, которые затем можно проверить и доработать, что способствует повышению скорости и согласованности.
После подготовки и маркировки набора данных следующим шагом становится обучение модели YOLO26 detect на полках магазинов. Это можно сделать с помощью Python Ultralytics Python или Ultralytics .
Python Ultralytics Python обеспечивает гибкость при создании пользовательских конвейеров и интеграции обучения в существующие рабочие процессы. Аналогичным образом, Ultralytics предоставляет единую среду, в которой можно осуществлять аннотирование, управлять наборами данных, настраивать обучение, проводить эксперименты и отслеживать результаты с помощью единой панели управления.
Кроме того, он предлагает GPU облачных GPU для масштабируемого обучения и обеспечивает поддержку развертывания, что снижает необходимость в настройке инфраструктуры или управлении зависимостями.
Прежде чем приступить к тренировкам, следует учесть еще несколько важных факторов:
По завершении обучения модель можно оценить с помощью таких показателей, как точность, коэффициент вызова и mAP средняя точность). Эти показатели позволяют определить, насколько точно модель распознает товары и насколько хорошо она избегает ошибок.
Если результаты модели недостаточно высоки, можно улучшить набор данных и настройки обучения. Это может включать в себя применение методов расширения данных, добавление более разнообразных изображений или сбалансирование классов, в которых некоторые SKU встречаются реже.
Следующим шагом после обучения и оценки модели является разработка алгоритма, который будет проверять соответствие планограмме. Это включает в себя систематизацию данных о полках и их сравнение с ожидаемой компоновкой.
Вот краткое описание того, как работает этот процесс:
После разработки решения, объединяющего функции распознавания товаров и логику обеспечения соответствия требованиям, следующим шагом становится его внедрение в условиях розничного магазина. При подходе к внедрению следует рассмотреть несколько различных вариантов в зависимости от конкретного сценария использования и инфраструктуры.
Один из вариантов — развертывание модели на периферийных устройствах, таких как серверы в магазинах или встроенное оборудование. Эти системы размещаются рядом с камерами, что позволяет обрабатывать изображения с полок непосредственно в месте съемки, обеспечивая низкую задержку и мониторинг в режиме реального времени.
Еще одним вариантом является развертывание на основе облачных технологий, при котором образы отправляются на удаленные серверы для обработки. Это может упростить управление развертыванием и его масштабирование в нескольких локациях, особенно когда требуется централизованный мониторинг.
В Ultralytics предусмотрено несколько вариантов, поддерживающих эти различные сценарии развертывания. Например, с помощьюPython Ultralytics Python обученные модели YOLO26 можно экспортировать в различные форматы, такие как ONNX, TensorRT или CoreML.
Это позволяет запускать модели на самом разнообразном оборудовании, включая графические процессоры (GPU), центральные процессоры (CPU), мобильные устройства и встроенные системы, в зависимости от требований к развертыванию.
При этом Ultralytics предоставляет встроенные возможности развертывания, которые упрощают тестирование, интеграцию и внедрение в производственную среду. Модели можно тестировать непосредственно в браузере, интегрировать в приложения с помощью общих API для инференса или развертывать на выделенных конечных точках для масштабируемого использования в производственной среде.
Кроме того, она поддерживает экспорт моделей для запуска на внешних системах или периферийных устройствах, что упрощает переход от этапа разработки к реальному внедрению. Помимо этого, платформа включает инструменты мониторинга, которые помогают track после внедрения и обеспечивают надежную работу в течение длительного времени.
Вот некоторые из основных преимуществ использования YOLO26 для создания системы контроля соответствия планограммам:
Соблюдение планограммы имеет решающее значение для обеспечения правильного размещения товаров и стабильной работы розничных магазинов. Благодаря сочетанию функций распознавания товаров и сравнения их расположения магазины могут сократить количество ручных проверок и более точно контролировать состояние полок. С помощью таких моделей, как YOLO26, подобные системы можно внедрять в нескольких магазинах, а также использовать данные на уровне отдельных магазинов для принятия более эффективных решений.
Хотите использовать технологии искусственного интеллекта в области компьютерного зрения в своих проектах? Присоединяйтесь к нашему активному сообществу и узнайте о применении искусственного интеллекта в сфере розничной торговли и компьютерного зрения в робототехнике. Посетите наш репозиторий на GitHub, чтобы узнать больше. Ознакомьтесь с нашими вариантами лицензирования, чтобы начать работу!
Начните свой путь в будущее машинного обучения
