Использование Ultralytics YOLO26 для обнаружения несоответствий планограмме

Мы все заходили в магазин за чем-нибудь вроде хлеба или хлопьев, несколько минут искали нужное на полках и в итоге понимали, что не можем найти товар. Иногда он стоит не на своём месте, иногда его нет в наличии, а иногда он просто теряется среди других товаров на полке.

Для розничных продавцов правильное размещение товаров важнее, чем может показаться. От него зависит, насколько легко покупатели находят нужные товары, и оно напрямую влияет на продажи и общую удовлетворённость клиентов. Чтобы контролировать размещение, магазины используют планограмму — простую схему расположения товаров на полке.

Проверка соответствия планограмме — это процесс оценки того, совпадает ли фактическое расположение товаров на полке с заданной схемой. Во многих магазинах это до сих пор делают вручную — проводят проверки и заполняют контрольные списки, что отнимает много времени и приводит к непоследовательным результатам.

Рис. 1. Планограмма и фактическая выкладка на полке (реалограмма) с результатами проверки соответствия (Источник)

Даже небольшие расхождения — например, неверно размещённые SKU (единицы складского учёта), неправильные цены или отсутствие товара — могут иметь значение. SKU — это уникальные коды для идентификации и отслеживания отдельных вариантов товара, например разных размеров или вкусов. Такие проблемы снижают доступность товаров на полках и могут привести к потере продаж.

Поэтому розничные продавцы всё чаще обращаются к компьютерному зрению и распознаванию изображений. Эти технологии ИИ анализируют изображения полок, полученные с камер в магазинах, автоматически обнаруживают товары и проверяют, правильно ли они размещены. Модели визуального ИИ, такие как Ultralytics YOLO26, делают этот процесс быстрым, точным и практичным для обычных магазинов.

В этой статье мы покажем, как создать систему проверки соответствия планограмме с помощью Ultralytics YOLO26. Начнём!

Что такое соответствие планограмме?#

Проверка соответствия планограмме помогает поддерживать единообразие выкладки в магазинах, правильно применять цены и акции, улучшать управление запасами и упрощать покупателям поиск товаров на полках.

Это размещение товаров согласно заранее заданной схеме — планограмме. В ней указано, где должен находиться каждый товар, сколько фейсингов ему нужно (количество товаров, выставленных у переднего края полки лицевой стороной к покупателям) и какие товары должны стоять рядом.

Планограммы используют и розничные продавцы, и бренды потребительских товаров (CPG). Розничные продавцы с их помощью организуют выкладку и поддерживают единообразие в разных магазинах, а бренды CPG следят за правильным размещением своей продукции и её заметностью.

Рис. 2. Сопоставление планограммы с фактической выкладкой на полке (Источник)

Проверка планограммы включает сравнение фактической выкладки на полке с заданной схемой. Проверяют, находятся ли нужные SKU на своих местах и соблюдено ли требуемое количество фейсингов.

Возможно, ты задаёшься вопросом, действительно ли расположение товара на полке имеет значение. Но если товары похожи, даже небольшие ошибки в размещении могут затруднить их поиск или сбить покупателей с толку.

Это может повлиять на точность цен и решения покупателей. Соблюдение планограммы поддерживает порядок на полках и улучшает покупательский опыт.

Использование компьютерного зрения для контроля соответствия планограмме#

Традиционно розничные магазины контролировали соответствие планограмме с помощью ручных проверок и контрольных списков. Сотрудники магазинов осматривают выкладку на полках, проверяют размещение товаров и количество фейсингов, а также записывают результаты наблюдений.

Однако этот процесс может занимать много времени, его сложно масштабировать на несколько магазинов, а сами проверки часто выполняются непоследовательно. Розничная торговля стремительно внедряет компьютерное зрение — область искусственного интеллекта, которая позволяет системам анализировать изображения и понимать их, — чтобы эффективнее проводить такие проверки соответствия.

Такие системы используют камеры для съемки полок, а затем обрабатывают изображения с помощью обученных моделей, распознающих отдельные товары. Модели компьютерного зрения, такие как Ultralytics YOLO26, поддерживают такие задачи, как обнаружение объектов и сегментация экземпляров, что позволяет точно определять товары на полках магазина и находить их расположение.

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

Использовать Ultralytics YOLO26 для этой задачи просто: модель доступна из коробки в предварительно обученном виде и дает надежную отправную точку. Ее также можно дообучить на данных о полках магазинов, чтобы распознавать конкретные товары.

На основе этих обнаружений система контроля соответствия планограмме может определять расположение товаров на полке и сравнивать его с ожидаемой выкладкой. Такой подход позволяет розничным сетям перейти от ручных проверок к непрерывному мониторингу полок в каждом магазине.

Система может обнаруживать товары на уровне SKU, выявлять ошибки размещения, повышать наличие товаров на полках и улучшать качество исполнения в целом.

Как работает обнаружение соответствия планограмме на основе ИИ#

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

Система контроля соответствия планограмме обычно работает в два основных этапа. Сначала модель, например Ultralytics YOLO26, анализирует изображения полок, обнаруживает товары и классифицирует их. Для каждого обнаруженного объекта модель также определяет его местоположение и показывает, где именно товар находится на полке.

Затем эти обнаружения объединяются в структурированную схему выкладки на полке. Товары группируются по расположению — обычно по рядам полок, — чтобы схема отражала размещение товаров в реальном мире.

Рис. 4. Ultralytics YOLO26 помогает контролировать соответствие планограмме. (Источник)

Затем эту структурированную схему выкладки сравнивают с ожидаемой планограммой. Система проверяет, находятся ли нужные SKU на своих местах, соблюдается ли требуемое количество фейсингов, а также отсутствуют ли товары или размещены ли они неправильно.

Сочетая обнаружение товаров со сравнением выкладки, система выявляет различия между ожидаемым и фактическим расположением товаров на полке. Результаты можно представить в виде отчетов о соответствии или дашбордов с указанием проблем в каждом магазине.

Так командам магазинов проще быстро понять, что не так, принять меры и поддерживать стабильное качество работы розничных точек.

Подготовка датасета для создания системы контроля соответствия планограмме#

Первый шаг при создании системы контроля соответствия планограмме — подготовить хорошо структурированный датасет. Для этого нужно собрать изображения полок в разных торговых условиях. Качество и разнообразие данных напрямую влияют на эффективность модели.

В качестве отправной точки можно использовать и общедоступные датасеты. Однако планировки магазинов, ассортимент товаров и выкладка различаются у разных розничных сетей, поэтому такие датасеты часто не полностью соответствуют реальным условиям.

Для надежной работы обычно требуется создать собственный датасет, соответствующий условиям целевого магазина. Данные можно собирать с помощью фотографий полок, сделанных камерами внутри магазинов или мобильными устройствами в разных торговых точках.

Помимо реальных данных, для создания контролируемых сценариев можно использовать имитацию выкладки товаров на полках. Сочетание обоих типов данных помогает модели надежнее работать в разных условиях магазинов.

Важно также фиксировать различные реальные условия в магазинах: изменения планировок, конфигурации полок, размещения товаров, освещения, углов съемки и организации выкладки. Собирая разнообразные данные, близкие к реальным, ты помогаешь модели обобщать знания на разные магазины и обеспечивать точное масштабируемое обнаружение соответствия планограмме.

Обзор разметки датасета розничных товаров#

После сбора данных следующий шаг — разметка. Каждый товар на изображении размечается ограничивающей рамкой, чтобы модель научилась распознавать разные SKU.

При разметке важно четко определить классы. Уровень детализации можно выбирать в зависимости от планограммы.

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

Инструменты вроде платформы Ultralytics — комплексной среды для управления датасетами, разметкой, обучением и развертыванием — упрощают этот процесс. Платформа поддерживает ручную разметку и разметку с помощью ИИ: модели предлагают варианты аннотаций, которые можно проверить и уточнить, повышая скорость и единообразие работы.

Обучение Ultralytics YOLO26 для обнаружения товаров#

После подготовки и разметки датасета следующий шаг — обучить YOLO26 обнаруживать товары на полках магазинов. Это можно сделать с помощью пакета Ultralytics для Python или платформы Ultralytics.

Пакет Ultralytics для Python дает гибкость при создании собственных конвейеров и интеграции обучения в существующие рабочие процессы. Платформа Ultralytics, в свою очередь, предлагает единую среду, где можно размечать данные, управлять датасетами, настраивать обучение, запускать эксперименты и отслеживать результаты на одной панели управления.

Также доступны облачные GPU для масштабируемого обучения и поддержка развертывания, поэтому тебе не нужно настраивать инфраструктуру или управлять зависимостями.

Перед началом обучения учти еще несколько важных факторов:

• Разделение датасета: датасет нужно разделить на обучающую, валидационную и тестовую выборки. Это помогает оценить, насколько хорошо модель обобщает результаты на новые данные, и избежать переобучения.
• Выбор модели: модели Ultralytics YOLO26 представлены в разных размерах, что позволяет найти баланс между скоростью и точностью с учетом требований к развертыванию.
• Параметры обучения: такие параметры, как размер батча, размер изображения и количество эпох, влияют и на скорость обучения, и на качество модели.

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

Если модель работает недостаточно хорошо, можно улучшить датасет и настройки обучения. Например, добавить аугментацию данных и больше разнообразных изображений или сбалансировать классы, в которых некоторые SKU встречаются реже.

Интеграция логики контроля соответствия планограмме#

После обучения и оценки модели следующий шаг — создать логику для проверки соответствия планограмме. Для этого нужно структурировать данные о полках и сравнить их с ожидаемой выкладкой.

Вот как устроен этот процесс:

• Определи ожидаемую выкладку на полке: сначала задай ожидаемую выкладку по планограмме и представь ее в виде структурированной сетки со строками и столбцами. Каждая ячейка сетки соответствует определенному SKU и отражает, как товары должны быть размещены на полке.
• Упорядочь обнаруженные товары: затем сгруппируй обнаружения модели по расположению на полке. По координатам товары сортируются и распределяются по рядам, превращая исходные обнаружения в структурированную схему фактической выкладки.
• Сравни ожидаемую и фактическую выкладку: затем сравни структурированную схему полки с ожидаемой планограммой, чтобы выявить различия. Если обнаруженный товар не соответствует ожидаемому SKU, отметь его как размещенный неправильно. Если товар отсутствует в определенном месте, отметь его как отсутствующий. На этом этапе также можно проверить, соблюдается ли требуемое количество фейсингов.
• Сформируй результаты проверки: наконец, можно создать отчет о соответствии для каждой полки, выделив несоответствия, отклонения и расхождения. Результаты можно разместить на дашбордах, чтобы команды могли быстро выявлять проблемы и устранять их.

Развертывание модели компьютерного зрения для контроля соответствия планограмме#

После создания решения, объединяющего обнаружение товаров и логику проверки соответствия, следующий шаг — развернуть его в магазине. В зависимости от задачи и инфраструктуры можно рассмотреть несколько вариантов развертывания.

Один из вариантов — развернуть модель на периферийных устройствах, например на сервере в магазине или встроенном оборудовании. Такие системы размещают рядом с камерами, чтобы обрабатывать изображения полок там, где их снимают. Это обеспечивает низкую задержку и мониторинг в реальном времени.

Другой вариант — развертывание в облаке, при котором изображения отправляются на удаленные серверы для обработки. Так проще управлять развертыванием и масштабировать его на несколько точек, особенно когда нужен централизованный мониторинг.

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

Это позволяет запускать модели на широком спектре оборудования, включая графические процессоры (GPUs), центральные процессоры (CPUs), мобильные устройства и встроенные системы — выбор зависит от требований к развертыванию.

Платформа Ultralytics также предлагает встроенные варианты развертывания, которые упрощают тестирование, интеграцию и запуск в промышленную эксплуатацию. Модели можно тестировать прямо в браузере, интегрировать в приложения с помощью общих API инференса или развертывать на выделенных конечных точках для масштабируемой промышленной эксплуатации.

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, в нее входят инструменты мониторинга, которые помогают отслеживать производительность после развертывания и обеспечивать надежную работу в долгосрочной перспективе.

Преимущества использования компьютерного зрения на основе ИИ для контроля соответствия планограмме#

Вот несколько основных преимуществ использования Ultralytics YOLO26 для создания системы контроля соответствия планограмме:

• Адаптация к разным условиям розничной торговли: Ultralytics YOLO26 можно переобучить или дообучить на новых данных, адаптировав модель к разным планировкам магазинов, ассортиментам товаров и региональным особенностям.
• Оптимизация принятия решений на основе данных: данные о соответствии можно объединять по магазинам, чтобы выявлять тенденции, оценивать результаты и улучшать стратегии розничной торговли.
• Непрерывный мониторинг в реальном времени: Ultralytics YOLO26 оптимизирована для инференса с низкой задержкой, поэтому может непрерывно анализировать изображения полок и в реальном времени обнаруживать изменения размещения товаров на периферийных устройствах.
• Интеграция с системами розничной торговли: систему контроля соответствия планограмме на базе Ultralytics YOLO26 можно интегрировать с системами учета запасов, POS (точек продаж) и аналитическими системами, чтобы получить более полное представление о работе магазина.

Главные выводы#

Контроль соответствия планограмме важен для правильного размещения товаров и стабильной работы розничных точек. Сочетая обнаружение товаров со сравнением выкладки, магазины могут сократить количество ручных проверок и точнее контролировать полки. Такие системы на базе моделей вроде Ultralytics YOLO26 можно использовать в нескольких магазинах, а данные по отдельным точкам помогут принимать более обоснованные решения.

Хочешь внедрить компьютерное зрение на основе ИИ в свои проекты? Присоединяйся к нашему активному сообществу и узнай больше о компьютерном зрении в розничной торговле и компьютерном зрении в робототехнике. Загляни в наш репозиторий на GitHub, чтобы узнать больше. Ознакомься с вариантами лицензирования и приступай!