Planogram uyumluluğunun tespitinde Ultralytics kullanımı

Hepimiz bir mağazaya ekmek ya da mısır gevreği gibi bir şey almak için girmiş, rafları birkaç dakika taramış ve sonra aradığımızı bulamadığımızı fark etmişizdir. Bazen yanlış yerde durur, bazen stokta kalmamıştır, bazen de rafta diğer ürünlerin arasına karışıp gözden kaçar.

Perakendeciler için ürünleri doğru yerde tutmak, göründüğünden daha önemlidir. Bu durum, müşterilerin ürünleri ne kadar kolay bulabildiklerini etkiler ve satışlar ile genel müşteri memnuniyetini doğrudan etkileyebilir. Bunu yönetmek için mağazalar, her bir ürünün rafta nereye yerleştirilmesi gerektiğini gösteren basit bir düzen olan planogram kullanır.

Planogram uyumu, rafların mevcut durumunun beklenen düzenle uyuşup uyuşmadığının kontrol edilmesi sürecidir. Birçok mağazada bu işlem hâlâ manuel denetimler ve kontrol listeleri aracılığıyla gerçekleştirilmektedir; bu da zaman alıcı ve tutarsız sonuçlara yol açabilmektedir.

Yanlış yerleştirilmiş SKU'lar (stok tutma birimleri), hatalı fiyatlandırma veya stokta olmayan ürünler gibi küçük uyuşmazlıklar bile büyük fark yaratabilir. SKU'lar, farklı bedenler veya tatlar gibi track ürün çeşitlerini tanımlamak ve track için kullanılan benzersiz kodlardır. Bu tür sorunlar, rafta bulunabilirliği azaltır ve satış kaybına yol açabilir.

Bu nedenle perakendeciler giderek daha fazla bilgisayar görme ve görüntü tanıma teknolojilerine yöneliyor. Bu yapay zeka teknolojileri, mağaza içi kameralardan çekilen raf görüntülerini analiz edebilir, detect otomatik olarak detect ve doğru şekilde yerleştirilip yerleştirilmediklerini kontrol edebilir. Ultralytics gibi görsel yapay zeka modelleri, bu süreci hızlı, doğru ve gerçek mağaza ortamlarında kullanımı pratik hale getiriyor.

Bu makalede, Ultralytics kullanarak bir planogram uygunluk tespit sistemi oluşturmayı adım adım inceleyeceğiz. Hadi başlayalım!

Planogram uyumu nedir? 

Planogram kurallarına uyum, mağaza düzeninin tutarlılığını sağlar, doğru fiyatlandırma ve promosyonları destekler, stok yönetimini iyileştirir ve müşterilerin raflarda ürünleri daha kolay bulmasını sağlar.

Bu, ürünlerin önceden belirlenmiş bir düzen veya planogram doğrultusunda yerleştirilmesini ifade eder. Bu düzen, her bir ürünün nereye yerleştirileceğini, kaç adet vitrin yüzüne sahip olması gerektiğini (rafın ön tarafına yerleştirilen ve müşteriler tarafından görülebilen ürün sayısı) ve hangi ürünlerin birbirinin yanına konumlandırılması gerektiğini belirler.

Perakendeciler ve tüketim malları (CPG) markaları, planogramlara güveniyor. Perakendeciler rafları düzenlemek ve mağazalar arasında tutarlılığı sağlamak için planogramları kullanırken, CPG markaları ise ürünlerinin doğru şekilde sergilenmesini ve yeterli görünürlük elde etmesini sağlamak için planogramlardan yararlanıyor.

Planogram denetim süreci, mevcut raf düzeninin beklenen düzenle karşılaştırılmasını içerir. Bu süreç, doğru SKU’ların doğru konumlarda olup olmadığının ve gerekli vitrin sayısının korunup korunmadığının kontrol edilmesini de kapsar.

Bir ürünün rafta nasıl yerleştirildiğinin gerçekten bir fark yaratıp yaratmadığını merak ediyor olabilirsiniz. Ancak ürünler birbirine benzediğinde, en ufak bir yerleştirme hatası bile ürünlerin bulunmasını zorlaştırabilir veya müşterilerin kafasını karıştırabilir. 

Bu durum fiyatlandırmanın doğruluğunu ve müşterilerin kararlarını etkileyebilir. Mevzuata uyum, rafların düzenli kalmasını sağlar ve müşteri deneyimini iyileştirir.

Planogram uyumluluğu için bilgisayar görme teknolojisinin kullanılması

Geleneksel olarak, perakende mağazaları planogram kurallarına uyumu manuel denetimler ve kontrol listeleri aracılığıyla sağlamaktadır. Mağaza personeli raf düzenlerini inceler, ürün yerleşimini ve vitrin düzenini kontrol eder ve gözlemlerini kaydeder. 

Ancak bu süreç zaman alıcı olabilir, birden fazla mağazaya yaygınlaştırılması zor olabilir ve genellikle denetimlerin yapılma biçiminde tutarsızlıklara yol açar. Perakende sektörü, bu uygunluk denetimlerini daha iyi yönetebilmek için, sistemlerin görüntüleri analiz etmesini ve anlamasını sağlayan bir yapay zeka alanı olan bilgisayar görme teknolojisini hızla benimsiyor.

Bu sistemler, raf görüntülerini yakalamak için kameralar kullanır ve bu görüntüleri, tek tek ürünleri tanımak üzere eğitilmiş modellerle işler. Ultralytics gibi bilgisayar görme modelleri, nesne algılama ve örnek segmentasyonu gibi görme görevlerini destekleyerek, perakende raflarındaki ürünlerin doğru bir şekilde tanımlanmasını ve konumlarının belirlenmesini mümkün kılar.

Bu kullanım senaryosu için YOLO26'yı kullanmak da oldukça basittir; çünkü bu model, kullanıma hazır bir ön eğitimli model olarak sunulmakta ve sağlam bir başlangıç noktası sağlamakta; ayrıca belirli ürünleri tanımak üzere perakende raf verileriyle özel olarak eğitilebilir.

Bu tespitlere dayanarak, bir planogram uyumluluk tespit sistemi raflardaki ürün konumlarını haritalandırabilir ve bunları beklenen düzenlerle karşılaştırabilir. Bu yaklaşım sayesinde perakendeciler, manuel kontrollerden öteye geçerek mağaza düzeyinde rafları sürekli olarak izleyebilirler. 

Bu sistemler, detect SKU düzeyinde detect edebilir, raf yerleştirme hatalarını belirleyebilir ve rafta ürün bulunabilirliğini ve genel operasyonel performansı artırabilir.

Yapay zeka destekli planogram uyumluluk tespitinin nasıl çalıştığını anlamak

YOLO26'yı planogram uyumluluk tespiti için nasıl kullanacağımıza geçmeden önce, bir adım geriye gidip bu sistemlerde ürün algılama ile düzen karşılaştırmasının nasıl bir araya geldiğini anlayalım.

Bir planogram uyum sistemi genellikle iki ana aşamada çalışır. İlk olarak, Ultralytics gibi bir model, raf görüntülerini analiz ederek classify detect classify . Model, her bir tespitle birlikte, her bir ürünün rafta hangi konumda yer aldığını gösteren konum bilgisi de sağlar.

Ardından, bu algılanan öğeler yapılandırılmış bir raf düzenine yerleştirilir. Ürünler, gerçek hayatta nasıl dizildiklerini yansıtacak şekilde konumlarına göre, genellikle raf sıraları halinde gruplandırılır.

Bu yapılandırılmış düzen daha sonra beklenen planogramla karşılaştırılır. Sistem, doğru SKU’ların doğru konumlarda olup olmadığını, gerekli raf yüzü sayısının korunup korunmadığını ve eksik veya yanlış yerleştirilmiş ürün olup olmadığını kontrol eder.

Ürün algılama ile raf düzeni karşılaştırmasını birleştirerek, sistem beklenen ve fiili raf düzeni arasındaki farklılıkları tespit edebilir. Sonuçlar, mağaza düzeyindeki sorunları vurgulayan uygunluk raporları veya gösterge panelleri şeklinde sunulabilir.

Bu sayede mağaza ekipleri, sorunun ne olduğunu hızla tespit edip düzeltici önlemler alabilir ve perakende operasyonlarının tutarlılığını koruyabilir.

Planogram uyumluluk sistemi oluşturmak için veri seti hazırlama

Planogram uyumluluk sistemi oluşturmanın ilk adımı, iyi yapılandırılmış bir veri seti hazırlamaktır. Bu, farklı perakende ortamlarından raf görsellerinin toplanmasını gerektirir. Bu verilerin kalitesi ve çeşitliliği, modelin performansını doğrudan etkiler.

Kamuya açık veri setleri de bir başlangıç noktası olarak kullanılabilir. Ancak mağaza düzenleri, ürün çeşitleri ve raf düzenlemeleri perakendeciler arasında farklılık gösterdiğinden, bu veriler genellikle gerçek dünyadaki koşullarla tam olarak örtüşmez. 

Güvenilir bir performans elde etmek için genellikle hedef mağaza ortamına özel bir veri kümesi oluşturmak gerekir. Veriler, farklı perakende satış noktalarındaki mağaza içi kameralardan veya mobil cihazlardan çekilen raf fotoğrafları kullanılarak toplanabilir. 

Gerçek dünya verilerinin yanı sıra, kontrollü senaryolar oluşturmak için simüle edilmiş raf düzenlemeleri de kullanılabilir. Bu ikisinin birleştirilmesi, modelin farklı mağaza ortamlarında daha güvenilir bir şekilde çalışmasını sağlar.

Ayrıca, mağaza düzenindeki değişiklikler, raf düzenlemeleri, ürün yerleşimi, aydınlatma, kamera açıları ve raf organizasyonu gibi farklı gerçek mağaza koşullarını da yakalamak büyük önem taşır. Çeşitli ve gerçekçi veriler toplanarak, model farklı mağazalar arasında genelleme yapmayı öğrenebilir ve geniş ölçekte planogram uyumluluğunun doğru bir şekilde tespit edilmesini destekleyebilir.

Perakende veri kümesinin etiketlenmesine genel bakış

Veriler toplandıktan sonra bir sonraki adım, etiketleme işlemidir. Görüntüdeki her bir ürünün etrafına sınırlayıcı kutular çizilerek etiketlenir; böylece model, farklı SKU’ları tanımayı öğrenebilir.

Etiketleme sırasında, sınıfları net bir şekilde tanımlamak önemlidir. Bu, planograma bağlı olarak farklı ayrıntı düzeylerinde yapılabilir. 

SKU düzeyinde, belirli bir marka, beden veya lezzet gibi her ürün çeşidi ayrı ayrı etiketlenir. Kategori düzeyinde ise, tüm alkolsüz içecekler veya tüm atıştırmalıklar gibi benzer ürünler bir araya getirilebilir.

Veri kümelerinin yönetimi, etiketleme, eğitim ve devreye alma işlemlerini kapsayan uçtan uca bir ortam sunan Ultralytics gibi araçlar, bu süreci kolaylaştırabilir. Bu platform, hem manuel etiketlemeyi hem de yapay zeka destekli etiketlemeyi destekler; bu sayede modeller, incelenip iyileştirilebilecek etiket önerilerinde bulunarak hız ve tutarlılığın artırılmasına yardımcı olur.

Ürün algılama için Ultralytics eğitilmesi

Veri kümesi hazırlandıktan ve etiketlendikten sonra, bir sonraki adım YOLO26'yı perakende raflarındaki detect şekilde eğitmektir. Bu işlem, Ultralytics Python veya Ultralytics kullanılarak gerçekleştirilebilir. 

Ultralytics Python , özel iş akışları oluşturma ve eğitimi mevcut iş akışlarına entegre etme konusunda esneklik sunar. Benzer şekilde, Ultralytics , tek bir kontrol panelinden etiketleme işlemlerini gerçekleştirmenize, veri kümelerini yönetmenize, eğitimi yapılandırmanıza, deneyler yürütmenize ve sonuçları izlemenize olanak tanıyan tek bir ortam sağlar. 

Ayrıca, ölçeklenebilir eğitim için bulut GPU sunar ve dağıtımı destekler; böylece altyapı kurma veya bağımlılıkları yönetme ihtiyacını azaltır.

Eğitime başlamadan önce dikkate alınması gereken birkaç önemli nokta daha şunlardır:

• Veri kümesinin bölünmesi: Veri kümesi, eğitim, doğrulama ve test kümelerine ayrılmalıdır. Bu, modelin yeni verilere ne kadar iyi genelleme yapabildiğini değerlendirmeye yardımcı olur ve aşırı uyum sorununu önler.
• Model seçimi: YOLO26 modelleri farklı boyutlarda sunulur; bu sayede, uygulama ihtiyaçlarınıza göre hız ve doğruluk arasında bir denge kurabilirsiniz.
• Eğitim yapılandırması: Parti boyutu, görüntü boyutu ve döngü sayısı gibi parametreler hem eğitim hızını hem de model performansını etkileyebilir. 

Eğitim tamamlandıktan sonra, model doğruluk, geri çağırma ve mAP ortalama doğruluk) gibi ölçütler kullanılarak değerlendirilebilir. Bu ölçütler, modelin ürünleri ne kadar doğru bir şekilde tespit ettiğini ve hataları ne kadar iyi önlediğini ölçmenizi sağlar.

Modelin performansı yeterince iyi değilse, veri kümesi ve eğitim yapılandırması iyileştirilebilir. Bu, veri genişletme uygulamak, daha çeşitli görüntüler eklemek veya bazı SKU'ların daha az sıklıkta göründüğü sınıfları dengelemek gibi adımları içerebilir.

Planogram uyumluluk mantığının entegrasyonu

Bir modeli eğitip değerlendirdikten sonraki adım, planogram uygunluk kontrollerini gerçekleştiren mantığı oluşturmaktır. Bu süreç, raf verilerinin yapılandırılmasını ve bunların beklenen düzenle karşılaştırılmasını içerir.

İşte bu sürecin nasıl işlediğine dair genel bir bakış:

• Beklenen raf düzenini belirleyin: İlk olarak, planogram kullanılarak beklenen raf düzeni belirlenir ve satır ve sütunlardan oluşan yapılandırılmış bir tablo halinde gösterilir. Tablodaki her bir konum belirli bir SKU’ya karşılık gelir ve ürünlerin raf alanında nasıl düzenleneceğini yansıtır.
• Algılanan ürünleri düzenleme: Ardından, modelin algıladığı ürünler raftaki konumlarına göre sıralanır. Koordinatları kullanılarak ürünler sıralanır ve raf sıralarına göre gruplandırılır; böylece ham algılama verileri, gerçek raf düzenini yansıtan yapılandırılmış bir yerleşim planına dönüştürülür.
• Beklenen ve fiili raf düzenlerini karşılaştırma: Ardından, yapılandırılmış raf düzeni, farkları tespit etmek amacıyla beklenen planogramla karşılaştırılır. Tespit edilen bir ürün beklenen SKU ile eşleşmezse, yanlış yerleştirilmiş olarak işaretlenir. Bir konumda bir ürün eksikse, eksik olarak işaretlenir. Bu adım, gerekli sayıda ürün sergileme alanının korunup korunmadığını doğrulamak için de kullanılabilir.
• Uyumluluk sonuçlarını oluşturun: Son olarak, her bir raf için uyumsuzlukları, sapmaları ve tutarsızlıkları vurgulayan bir uyumluluk raporu hazırlanabilir. Bu çıktılar, ekiplerin sorunları hızla tespit edip çözmelerine yardımcı olmak amacıyla gösterge panelleri aracılığıyla paylaşılabilir.

Planogram uyumluluğu için bir görsel modelin devreye alınması

Ürün algılama ve uyumluluk mantığını bir araya getiren bir çözüm geliştirdikten sonra, bir sonraki adım bu çözümü bir perakende mağaza ortamında devreye almaktır. Devreye alma sürecine yaklaşırken, kullanım senaryosuna ve altyapıya bağlı olarak dikkate alınması gereken birkaç farklı seçenek bulunmaktadır.

Bir seçenek, modeli mağaza içi sunucular veya gömülü donanım gibi uç cihazlarda devreye almaktır. Bu sistemler kameraların yakınına yerleştirilir; böylece raf görüntüleri çekildikleri yerde işlenebilir ve bu da düşük gecikme süresi ile gerçek zamanlı izleme imkânı sağlar.

Bir başka seçenek de, görüntülerin işlenmek üzere uzak sunuculara gönderildiği bulut tabanlı dağıtımdır. Bu, özellikle merkezi izleme gerektiğinde, birden fazla konumdaki dağıtımları yönetmeyi ve ölçeklendirmeyi kolaylaştırabilir.

Ultralytics , bu farklı dağıtım senaryolarını destekleyen çeşitli seçenekler bulunmaktadır. Örneğin, Ultralytics Python kullanılarak, eğitilmiş YOLO26 modelleri ONNX, TensorRT veya CoreML gibi farklı formatlara aktarılabilir. 

Bu sayede, dağıtım gereksinimlerine bağlı olarak grafik işlem birimleri (GPU'lar), merkezi işlem birimleri (CPU'lar), mobil cihazlar ve gömülü sistemler dahil olmak üzere çok çeşitli donanımlarda modellerin çalıştırılması mümkün hale gelir.

Bu arada, Ultralytics , test, entegrasyon ve üretim ortamına dağıtımı kolaylaştıran yerleşik dağıtım seçenekleri sunar. Modeller doğrudan tarayıcıda test edilebilir, paylaşılan çıkarım API’leri kullanılarak uygulamalara entegre edilebilir veya ölçeklenebilir üretim kullanımı için özel uç noktalara dağıtılabilir. 

Ayrıca, modellerin harici sistemlerde veya uç cihazlarda çalıştırılmak üzere dışa aktarılmasını destekleyerek, geliştirme aşamasından gerçek ortamda kullanıma geçişi kolaylaştırır. Bunun yanı sıra, platformda dağıtım sonrası track ve zaman içinde güvenilir çalışmayı sağlamaya yardımcı olan izleme araçları da bulunmaktadır.

Planogram uyumluluğunun tespitinde görsel yapay zeka kullanımının avantajları

YOLO26'yı kullanarak bir planogram uyum sistemi oluşturmanın başlıca avantajlarından bazıları şunlardır: 

• Farklı perakende ortamlarına uyarlanabilir: YOLO26, yeni verilerle yeniden eğitilebilir veya ince ayarları yapılabilir; bu sayede farklı mağaza düzenlerine, ürün yelpazelerine ve bölgesel farklılıklara uyum sağlayabilir.
• Veriye dayalı karar verme sürecini optimize eder: Mağazalar arasında uyum verileri bir araya getirilerek eğilimler tespit edilebilir, performans ölçülebilir ve perakende stratejileri iyileştirilebilir.
• Gerçek zamanlı sürekli izleme: YOLO26, düşük gecikmeli çıkarım için optimize edilmiştir; bu sayede raf görüntülerinin sürekli analizi ve uç cihazlarda ürün yerleşimindeki değişikliklerin gerçek zamanlı olarak tespit edilmesi mümkün olmaktadır.
• Perakende sistemleriyle entegrasyon: YOLO26 ile desteklenen bir planogram uyumluluk tespit sistemi, mağaza performansına dair daha kapsamlı bir görünüm sunmak üzere envanter, POS (satış noktası) veya analiz sistemleriyle entegre edilebilir.

Önemli çıkarımlar

Planogram uyumu, doğru ürün yerleşimini sağlamak ve perakende operasyonlarının tutarlılığını korumak açısından hayati önem taşır. Ürün algılama ile mağaza düzeni karşılaştırmasını bir araya getirerek, mağazalar manuel denetimleri azaltabilir ve rafları daha doğru bir şekilde kontrol edebilir. YOLO26 gibi modeller sayesinde, bu tür sistemler birden fazla mağazada kullanılabilir ve mağaza düzeyindeki verilerle daha iyi kararların alınmasına da destek olabilir.

Projelerinize görsel yapay zeka entegre etmek mi istiyorsunuz? Aktif topluluğumuza katılın ve perakende sektöründe görsel yapay zeka ile robotikte bilgisayar görme teknolojisi hakkında bilgi edinin. Daha fazla bilgi edinmek için GitHub depomuzu inceleyin. Hemen başlamak için lisans seçeneklerimize göz atın!