Использование Ultralytics YOLO26 для обнаружения соответствия планограмме

Каждый из нас заходил в магазин за чем-то вроде хлеба или хлопьев, тратил несколько минут на осмотр полок, а потом понимал, что не может это найти. Иногда товар лежит не на своем месте, иногда его нет в наличии, а иногда он просто сливается с остальным содержимым полки.

Для ритейлеров размещение товаров на своих местах важнее, чем может показаться. Это влияет на то, насколько легко покупатели находят товары, и напрямую сказывается на продажах и общей удовлетворенности клиентов. Для управления этим процессом магазины используют планограмму — простую схему, показывающую, где должен находиться каждый товар на полке.

Соблюдение планограммы — это процесс проверки того, соответствует ли текущее состояние полки ожидаемой схеме. Во многих магазинах это до сих пор делается с помощью ручных аудитов и контрольных списков, что отнимает много времени и часто бывает субъективным.

Рис 1. Планограмма против реальной полки (реалограмма) с результатами обнаружения соответствия (Источник)

Даже небольшие расхождения, такие как перепутанные SKU (товарные позиции), неправильные цены или отсутствие товаров, имеют значение. SKU — это уникальные коды, используемые для идентификации и отслеживания отдельных вариантов товара, например, разных размеров или вкусов. Такие проблемы снижают наличие товаров на полке и могут привести к потере продаж.

Вот почему ритейлеры все чаще обращаются к computer vision и распознаванию образов. Эти технологии ИИ могут анализировать изображения полок, снятые магазинными камерами, автоматически обнаруживать товары и проверять, правильно ли они расставлены. Модели Vision AI, такие как Ultralytics YOLO26, делают этот процесс быстрым, точным и практичным для использования в реальных условиях магазина.

В этой статье мы разберем, как создать систему контроля соблюдения планограмм с помощью Ultralytics YOLO26. Поехали!

Link to this sectionЧто такое соответствие планограмме?#

Соблюдение планограммы помогает поддерживать единообразие в оформлении магазинов, способствует правильному ценообразованию и проведению промоакций, улучшает inventory management и упрощает покупателям поиск товаров на полках.

Это подразумевает расстановку товаров в соответствии с предварительно заданной схемой или планограммой. Эта схема определяет, где должен находиться каждый товар, сколько у него должно быть фейсингов (количество товаров, выставленных на передний край полки и видимых покупателям) и какие товары должны располагаться рядом друг с другом.

Как ритейлеры, так и бренды потребительских товаров (CPG) полагаются на планограммы. Ритейлеры используют их для организации полок и поддержания единообразия во всех магазинах, а бренды CPG — для того, чтобы их товары были выставлены правильно и имели надлежащую видимость.

Рис 2. Взгляд на планограмму, соответствующую реальной раскладке полки (Источник)

Процесс аудита планограммы включает сравнение реальной полки с ожидаемой схемой. Это включает проверку того, находятся ли нужные SKU на своих местах и поддерживается ли необходимое количество фейсингов.

Возможно, ты задаешься вопросом, действительно ли расположение товара на полке имеет значение. Но когда товары выглядят похоже, даже небольшие ошибки в расстановке могут затруднить поиск товара или запутать покупателей.

Это может повлиять на точность цен и решения покупателей. Поддержание соответствия позволяет сохранять полки организованными и улучшает клиентский опыт.

Link to this sectionИспользование компьютерного зрения для соответствия планограмме#

Традиционно retail stores обеспечивали соблюдение планограмм с помощью ручных аудитов и контрольных списков. Персонал магазина инспектирует раскладку полок, проверяет расстановку товаров и фейсинги, а затем фиксирует наблюдения.

Однако этот процесс может быть трудоемким, его трудно масштабировать на множество магазинов, и он часто приводит к несоответствиям в методах проверки. Розничная торговля стремительно внедряет компьютерное зрение — область искусственного интеллекта, позволяющую системам анализировать и понимать изображения, — чтобы лучше справляться с этими проверками соответствия.

Такие системы используют камеры для получения изображений полок и обрабатывают их с помощью обученных моделей для распознавания отдельных товаров. Модели компьютерного зрения, такие как Ultralytics YOLO26, поддерживают такие задачи, как обнаружение объектов и сегментация экземпляров, что позволяет точно идентифицировать и находить товары на полках магазинов.

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

Использовать YOLO26 для этого сценария также просто, поскольку она доступна как предобученная модель «из коробки», обеспечивая отличную стартовую точку, и ее можно дообучить на данных о полках конкретного магазина для распознавания специфических товаров.

На основе этих данных система обнаружения соответствия планограмме может сопоставлять положения товаров на полке и сравнивать их с ожидаемыми схемами. С таким подходом ритейлеры могут отказаться от ручных проверок и вести постоянный мониторинг полок на уровне магазина.

Они могут обнаруживать товары на уровне SKU, выявлять ошибки в расстановке, а также повышать доступность товаров на полках и эффективность работы в целом.

Link to this sectionПонимание того, как работает ИИ-система контроля соответствия планограмме#

Прежде чем мы углубимся в то, как использовать YOLO26 для проверки соответствия планограмме, давай сделаем шаг назад и поймем, как обнаружение товаров и сравнение схем объединяются в таких системах.

Система контроля соответствия планограмме обычно работает в два основных этапа. Сначала модель, такая как Ultralytics YOLO26, анализирует изображения полки, чтобы обнаружить и классифицировать товары. Вместе с каждым обнаружением модель предоставляет информацию о местоположении, показывающую, где именно находится каждый товар на полке.

Затем эти обнаружения организуются в структурированную схему полки. Товары группируются на основе их местоположения, как правило, по рядам, чтобы отразить то, как товары расположены в реальном мире.

Рис 4. YOLO26 может обеспечить соблюдение планограммы. (Источник)

Эта структурированная схема затем сравнивается с ожидаемой планограммой. Система проверяет, находятся ли нужные SKU на своих местах, поддерживается ли требуемое количество фейсингов и нет ли отсутствующих или смещенных товаров.

Объединяя обнаружение товаров со сравнением схем, система может выявлять различия между ожидаемым и фактическим расположением товаров. Результаты могут быть представлены в виде отчетов о соответствии или дашбордов, которые подсвечивают проблемы на уровне магазина.

Это позволяет сотрудникам магазина быстро понять, что не так, принять корректирующие меры и поддерживать стабильную работу торговой точки.

Link to this sectionПодготовка набора данных для создания системы контроля соответствия планограмме#

Первый шаг в создании системы контроля соответствия планограмме — подготовка хорошо структурированного набора данных. Это включает сбор изображений полок из разных торговых сред. Качество и разнообразие этих данных напрямую влияют на то, насколько хорошо будет работать модель.

В качестве отправной точки можно использовать публичные наборы данных. Однако, поскольку раскладки магазинов, ассортимент товаров и организация полок различаются у разных ритейлеров, они часто не полностью соответствуют реальным условиям.

Для обеспечения надежной работы обычно необходимо создание пользовательского набора данных, адаптированного под конкретную среду магазина. Данные можно собрать с помощью фотографий полок, снятых магазинными камерами или мобильными устройствами в различных торговых точках.

Помимо реальных данных, можно использовать симулированные макеты полок для создания контролируемых сценариев. Сочетание обоих подходов позволяет модели работать более надежно в разных торговых средах.

Также критически важно охватить различные реальные условия магазина, такие как изменения в раскладках, организации полок, размещении товаров, освещении, углах обзора камеры и порядке на полках. Собирая разнообразные и реалистичные данные, модель научится обобщать информацию для разных магазинов и поддерживать точный контроль соответствия планограмме в масштабе.

Link to this sectionОбзор процесса разметки набора данных для розничной торговли#

После сбора данных следующим шагом является аннотирование. Каждый товар на изображении размечается с помощью ограничивающих рамок (bounding boxes), чтобы модель могла научиться распознавать разные SKU.

Во время разметки важно определить четкие классы. Это можно делать с разной степенью детализации в зависимости от планограммы.

На уровне SKU каждый вариант товара, например конкретный бренд, размер или вкус, помечается отдельно. На уровне категории схожие товары можно группировать, например, все прохладительные напитки или все закуски.

Инструменты, такие как Ultralytics Platform, комплексная среда для управления наборами данных, аннотирования, обучения и развертывания, могут упростить этот процесс. Платформа поддерживает как ручную разметку, так и разметку с помощью ИИ, где модели могут предлагать аннотации для последующей проверки и уточнения, что помогает повысить скорость и согласованность.

Link to this sectionОбучение Ultralytics YOLO26 для обнаружения товаров#

После подготовки и разметки набора данных следующим шагом является обучение YOLO26 для обнаружения товаров на полках магазинов. Это можно сделать с помощью пакета Ultralytics Python package или платформы Ultralytics Platform.

Пакет Ultralytics Python предлагает гибкость для построения собственных пайплайнов и интеграции обучения в существующие рабочие процессы. Аналогично, Ultralytics Platform предоставляет единую среду, где ты можешь обрабатывать аннотации, управлять наборами данных, настраивать обучение, запускать эксперименты и отслеживать результаты с одного дашборда.

Платформа также предлагает облачные GPU для масштабируемого обучения и поддерживает развертывание, избавляя от необходимости настраивать инфраструктуру или управлять зависимостями.

Перед началом обучения стоит учесть еще несколько ключевых факторов:

• Разделение набора данных: Данные должны быть разделены на обучающую, валидационную и тестовую выборки. Это помогает оценить, насколько хорошо модель обобщает информацию на новых данных, и избежать переобучения.
• Выбор модели: Модели YOLO26 бывают разных размеров, что позволяет сбалансировать скорость и точность в зависимости от твоих потребностей в развертывании.
• Конфигурация обучения: Параметры, такие как размер батча (batch size), размер изображения и количество эпох, могут влиять как на скорость обучения, так и на производительность модели.

После завершения обучения модель можно оценить с помощью метрик, таких как precision, recall и mAP (mean average precision). Эти метрики позволяют измерить, насколько точно модель обнаруживает товары и насколько успешно она избегает ошибок.

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

Link to this sectionИнтеграция логики соответствия планограмме#

Следующим шагом после обучения и оценки модели является построение логики для выполнения проверок соответствия планограмме. Это включает структурирование данных полки и их сравнение с ожидаемой схемой.

Вот краткий обзор того, как работает этот процесс:

• Определи ожидаемую раскладку полки: Сначала ожидаемая раскладка определяется на основе планограммы и представляется в виде структурированной сетки с рядами и колонками. Каждая позиция в сетке соответствует конкретному SKU, отражая то, как товары должны быть расставлены на полке.
• Организуй обнаруженные товары: Затем обнаружения модели упорядочиваются на основе их положения на полке. Используя координаты, товары сортируются и группируются по рядам, превращая «сырые» данные обнаружения в структурированную раскладку, отражающую реальное состояние полки.
• Сравни ожидаемую и фактическую раскладки: Далее структурированная раскладка полки сравнивается с ожидаемой планограммой для выявления различий. Если обнаруженный товар не соответствует ожидаемому SKU, он помечается как смещенный. Если товара не хватает на позиции, он помечается как отсутствующий. Этот этап также можно использовать для проверки того, поддерживается ли требуемое количество фейсингов.
• Сформируй результаты соответствия: Наконец, для каждой полки может быть создан отчет о соответствии, подсвечивающий нарушения, отклонения и расхождения. Эти данные могут передаваться через дашборды, чтобы помочь командам быстро находить и устранять проблемы.

Link to this sectionРазвертывание модели компьютерного зрения для соответствия планограмме#

После создания решения, объединяющего обнаружение товаров и логику соответствия, следующим шагом является его развертывание в условиях магазина. Есть несколько вариантов развертывания, выбор которых зависит от сценария использования и инфраструктуры.

Один из вариантов — развертывание модели на граничных устройствах (edge devices), таких как локальные серверы или встроенное оборудование. Эти системы размещаются рядом с камерами, поэтому изображения полок обрабатываются непосредственно там, где они сняты, что обеспечивает низкую задержку и мониторинг в реальном времени.

Другой вариант — облачное развертывание, при котором изображения отправляются на удаленные серверы для обработки. Это может облегчить управление и масштабирование развертываний во множестве точек, особенно когда требуется централизованный мониторинг.

В экосистеме Ultralytics есть несколько вариантов, поддерживающих эти сценарии развертывания. Например, используя пакет Ultralytics Python, обученные models can be exported в различные форматы, такие как ONNX, TensorRT или CoreML.

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

Между тем, Ultralytics Platform предоставляет встроенные deployment options, которые упрощают тестирование, интеграцию и развертывание в продакшн. Модели можно тестировать прямо в браузере, интегрировать в приложения с помощью общих API для инференса или разворачивать на выделенных эндпоинтах для масштабируемого использования в продакшне.

Платформа также поддерживает экспорт моделей для запуска на внешних системах или граничных устройствах, упрощая путь от разработки до реального развертывания. В дополнение к этому, платформа включает инструменты мониторинга, которые помогают отслеживать производительность после развертывания и обеспечивать надежную работу с течением времени.

Link to this sectionПреимущества использования Vision AI для контроля соответствия планограмме#

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

• Адаптивность к разным торговым средам: YOLO26 можно дообучать или настраивать на новых данных, делая ее адаптируемой к различным раскладкам магазинов, ассортименту товаров и региональным особенностям.
• Оптимизация принятия решений на основе данных: Данные о соответствии могут быть агрегированы по всем магазинам для выявления трендов, оценки эффективности и улучшения стратегий ритейла.
• Непрерывный мониторинг в реальном времени: YOLO26 оптимизирована для инференса с низкой задержкой, что позволяет непрерывно анализировать изображения полок и в реальном времени обнаруживать изменения в расстановке товаров на граничных устройствах.
• Интеграция с торговыми системами: Система контроля соответствия планограмме на базе YOLO26 может быть интегрирована с системами управления запасами, POS-системами или аналитикой для получения более полной картины эффективности магазина.

Link to this sectionОсновные выводы#

Соблюдение планограммы жизненно важно для поддержания точного размещения товаров и стабильной работы ритейла. Комбинируя обнаружение товаров со сравнением раскладок, магазины могут сократить объем ручных аудитов и проверять полки более точно. С такими моделями, как YOLO26, подобные системы могут использоваться во многих магазинах и способствовать принятию более обоснованных решений на основе данных магазина.

Хочешь внедрить Vision AI в свои проекты? Присоединяйся к нашему активному community и узнай больше о vision AI in retail и computer vision in robotics. Исследуй наш GitHub repository, чтобы узнать подробности. Ознакомься с нашими licensing options, чтобы начать!