Planogram uyumluluğu tespiti için Ultralytics YOLO26 kullanma

Ekmek veya gevrek gibi bir şey almak için hepimiz bir mağazaya girmiş, rafları birkaç dakika taramış ve sonra ürünü bulamadığımızı fark etmişizdir. Bazen ürün yanlış yerdedir, bazen stokta yoktur, bazen de raftaki diğer her şeyle adeta bütünleşir.

Perakendeciler için ürünleri doğru yerde tutmak, göründüğünden daha önemlidir. Bu, müşterilerin ürünleri ne kadar kolay bulabileceğini etkiler ve satışları ve genel müşteri memnuniyetini doğrudan etkileyebilir. Mağazalar bunu yönetmek için her ürünün rafta nereye yerleştirilmesi gerektiğini gösteren basit bir yerleşim planı olan planogramı kullanır.

Planogram uyumluluğu, gerçek rafın beklenen yerleşimle eşleşip eşleşmediğini kontrol etme sürecidir. Bu işlem birçok mağazada hâlâ zaman alıcı ve tutarsız olabilen manuel denetimler ve kontrol listeleriyle gerçekleştirilir.

Şekil 1. Uyumluluk tespit sonuçlarıyla bir planogram ve gerçek bir raf (realogram) karşılaştırması (Kaynak)

Yanlış yerleştirilmiş SKU'lar (stok tutma birimleri), hatalı fiyatlandırma veya stokta olmayan ürünler gibi küçük uyumsuzluklar bile fark yaratabilir. SKU'lar; farklı boyutlar veya aromalar gibi münferit ürün varyantlarını tanımlamak ve takip etmek için kullanılan benzersiz kodlardır. Bu sorunlar rafta ürün bulunabilirliğini azaltır ve satış kayıplarına yol açabilir.

Bu nedenle perakendeciler giderek daha fazla bilgisayarlı görü ve görüntü tanımaya yöneliyor. Bu yapay zekâ teknolojileri, mağaza içi kameralardan alınan raf görüntülerini analiz edebilir, ürünleri otomatik olarak tespit edebilir ve doğru yerleştirilip yerleştirilmediklerini kontrol edebilir. Ultralytics YOLO26 gibi görsel yapay zekâ modelleri bu süreci hızlı, doğru ve gerçek mağaza ortamlarında kullanıma uygun hâle getirir.

Bu makalede, Ultralytics YOLO26 kullanarak bir planogram uyumluluğu tespit sisteminin nasıl oluşturulacağını ele alacağız. Hadi başlayalım!

Planogram uyumluluğu nedir?#

Planogram uyumluluğu mağaza yerleşimlerinin tutarlı kalmasına yardımcı olur, doğru fiyatlandırma ve promosyonları destekler, envanter yönetimini iyileştirir ve müşterilerin raftaki ürünleri bulmasını kolaylaştırır.

Ürünlerin önceden tanımlanmış bir yerleşime veya planograma göre düzenlenmesini ifade eder. Bu yerleşim, her ürünün nereye konulması gerektiğini, kaç facing'e sahip olması gerektiğini (rafın ön kısmına yerleştirilen ve müşterilerin görebildiği ürün sayısı) ve hangi ürünlerin yan yana konumlandırılması gerektiğini tanımlar.

Perakendeciler ve tüketici ambalajlı ürün (CPG) markaları planogramlara güvenir. Perakendeciler bunları rafları düzenlemek ve mağazalar arasındaki tutarlılığı korumak için kullanırken CPG markaları, ürünlerinin doğru şekilde sergilenmesini ve yeterli görünürlük kazanmasını sağlamak için kullanır.

Şekil 2. Bir planogramın gerçek raf yerleşimiyle eşleşmesine bakış (Kaynak)

Planogram denetimleri süreci, gerçek bir rafın beklenen yerleşimle karşılaştırılmasını içerir. Buna doğru SKU'ların doğru konumlarda olup olmadığının ve gerekli facing sayısının korunup korunmadığının kontrol edilmesi dahildir.

Bir ürünün raftaki konumunun gerçekten fark yaratıp yaratmadığını merak ediyor olabilirsin. Ancak ürünler birbirine benzediğinde, küçük yerleşim hataları bile ürünlerin bulunmasını zorlaştırabilir veya müşterilerin kafasını karıştırabilir.

Bu durum fiyatlandırma doğruluğunu ve müşteri kararlarını etkileyebilir. Uyumluluğu korumak rafları düzenli tutar ve müşteri deneyimini geliştirir.

Planogram uyumluluğu için bilgisayarlı görü kullanımı#

Geleneksel olarak perakende mağazaları, planogram uyumluluğunu manuel denetimler ve kontrol listeleriyle korumuştur. Mağaza çalışanları raf yerleşimlerini inceler, ürün yerleşimini ve facing'leri doğrular ve gözlemlerini kaydeder.

Ancak bu süreç zaman alabilir, birden fazla mağazaya ölçeklenmesi zor olabilir ve kontrollerin gerçekleştirilme biçiminde sıklıkla tutarsızlıklara yol açar. Perakende sektörü, bu uyumluluk kontrollerini daha iyi gerçekleştirmek için sistemlerin görüntüleri analiz edip anlamasını sağlayan bir yapay zekâ alanı olan bilgisayarlı görüyü hızla benimsiyor.

Bu sistemler raf görüntülerini yakalamak için kameralar kullanır ve görüntüleri eğitilmiş modellerle işleyerek münferit ürünleri tanır. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri nesne tespiti ve örnek segmentasyonu gibi görsel görevleri destekleyerek perakende raflarındaki ürünlerin doğru şekilde tanımlanmasını ve konumlandırılmasını mümkün kılar.

Şekil 3. Perakende rafındaki ürünleri tespit etmek ve segmentlere ayırmak için YOLO26 kullanımına bir örnek (Kaynak)

Ultralytics YOLO26'yı bu kullanım senaryosunda kullanmak da oldukça kolaydır; çünkü YOLO26, güçlü bir başlangıç noktası sağlayan, kullanıma hazır bir önceden eğitilmiş model olarak sunulur ve belirli ürünleri tanıması için perakende raf verileriyle özel olarak eğitilebilir.

Bu tespitlere dayanarak bir planogram uyumluluğu tespit sistemi, raftaki ürün konumlarını haritalandırabilir ve bunları beklenen yerleşimlerle karşılaştırabilir. Bu yaklaşımla perakendeciler manuel kontrollerin ötesine geçebilir ve rafları mağaza düzeyinde sürekli olarak izleyebilir.

Ürünleri SKU düzeyinde tespit edebilir, yerleşim hatalarını belirleyebilir ve rafta bulunabilirliği ve genel uygulama performansını iyileştirebilirler.

Yapay zekâ destekli planogram uyumluluğu tespitinin nasıl çalıştığını anlama#

Planogram uyumluluğu tespiti için Ultralytics YOLO26'nın nasıl kullanılacağına geçmeden önce bir adım geri atalım ve ürün tespiti ile yerleşim karşılaştırmasının bu sistemlerde nasıl bir araya geldiğini anlayalım.

Bir planogram uyumluluğu sistemi genellikle iki ana aşamada çalışır. İlk olarak Ultralytics YOLO26 gibi bir model, ürünleri tespit etmek ve sınıflandırmak için raf görüntülerini analiz eder. Model, her tespitle birlikte her ürünün rafta nerede göründüğünü gösteren konum bilgileri sağlar.

Ardından bu tespitler yapılandırılmış bir raf yerleşiminde düzenlenir. Ürünler, gerçek dünyadaki ürün düzenini yansıtacak şekilde, genellikle raf sıraları olarak konumlarına göre gruplandırılır.

Şekil 4. Ultralytics YOLO26, planogram uyumluluğunu mümkün kılabilir. (Kaynak)

Bu yapılandırılmış yerleşim daha sonra beklenen planogramla karşılaştırılır. Sistem, doğru SKU'ların doğru konumlarda olup olmadığını, gerekli facing sayısının korunup korunmadığını ve herhangi bir ürünün eksik veya yanlış yerleştirilmiş olup olmadığını kontrol eder.

Ürün tespitini yerleşim karşılaştırmasıyla birleştiren sistem, beklenen ve gerçek raf düzeni arasındaki farkları belirleyebilir. Sonuçlar, sorunları mağaza düzeyinde öne çıkaran uyumluluk raporları veya panolar şeklinde sunulabilir.

Bu, mağaza ekiplerinin neyin yanlış olduğunu hızla anlamasını, düzeltici önlem almasını ve tutarlı perakende uygulamasını sürdürmesini kolaylaştırır.

Planogram uyumluluğu sistemi oluşturmak için veri kümesi hazırlama#

Planogram uyumluluğu sistemi oluşturmanın ilk adımı, iyi yapılandırılmış bir veri kümesi hazırlamaktır. Bu, farklı perakende ortamlarından raf görüntülerinin toplanmasını içerir. Bu verilerin kalitesi ve çeşitliliği modelin performansını doğrudan etkiler.

Herkese açık veri kümeleri de başlangıç noktası olarak kullanılabilir. Ancak mağaza yerleşimleri, ürün çeşitleri ve raf düzenleri perakendeciler arasında değiştiğinden, bu veri kümeleri çoğu zaman gerçek dünya koşullarıyla tamamen örtüşmez.

Hedef mağaza ortamına göre uyarlanmış özel bir veri kümesi oluşturmak, güvenilir performans için genellikle gereklidir. Veriler, farklı perakende konumlarında mağaza içi kameralardan veya mobil cihazlardan alınan raf fotoğrafları kullanılarak toplanabilir.

Gerçek dünya verilerine ek olarak, kontrollü senaryolar oluşturmak için simüle edilmiş raf düzenleri de kullanılabilir. Her ikisinin birleştirilmesi, modelin farklı mağaza ortamlarında daha güvenilir performans göstermesini sağlar.

Yerleşimlerdeki değişiklikler, raf düzenleri, ürün yerleşimi, aydınlatma, kamera açıları ve raf organizasyonu gibi farklı gerçek mağaza koşullarını yakalamak da kritik öneme sahiptir. Çeşitli ve gerçekçi veriler toplanarak model, mağazalar arasında genelleme yapmayı öğrenebilir ve planogram uyumluluğunun geniş ölçekte doğru şekilde tespit edilmesini destekleyebilir.

Perakende veri kümesini etiketlemeye genel bakış#

Veriler toplandıktan sonraki adım anotasyondur. Modelin farklı SKU'ları tanımayı öğrenebilmesi için görüntüdeki her ürün, etrafına sınırlayıcı kutular çizilerek etiketlenir.

Etiketleme sırasında net sınıflar tanımlamak önemlidir. Bu işlem planograma bağlı olarak farklı ayrıntı düzeylerinde gerçekleştirilebilir.

SKU düzeyinde belirli bir marka, boyut veya aroma gibi her ürün varyantı ayrı ayrı etiketlenir. Kategori düzeyinde ise alkolsüz içeceklerin tamamı veya atıştırmalıkların tamamı gibi benzer ürünler birlikte gruplandırılabilir.

Veri kümelerini, anotasyonu, eğitimi ve dağıtımı yönetmek için uçtan uca bir ortam olan Ultralytics Platform gibi araçlar bu süreci kolaylaştırabilir. Platform hem manuel anotasyonu hem de yapay zekâ destekli etiketlemeyi destekler. Bu etiketlemede modeller, incelenip iyileştirilebilecek anotasyonlar önerebilir ve böylece hızın ve tutarlılığın artırılmasına yardımcı olur.

Ürün tespiti için Ultralytics YOLO26 eğitimi#

Veri kümesi hazırlandıktan ve etiketlendikten sonraki adım, YOLO26'yı perakende raflarındaki ürünleri tespit etmek üzere eğitmektir. Bu işlem Ultralytics Python paketi veya Ultralytics Platform kullanılarak gerçekleştirilebilir.

Ultralytics Python paketi, özel işlem hatları oluşturma ve eğitimi mevcut iş akışlarına entegre etme esnekliği sunar. Benzer şekilde Ultralytics Platform, anotasyonu gerçekleştirebileceğin, veri kümelerini yönetebileceğin, eğitimi yapılandırabileceğin, deneyler çalıştırabileceğin ve sonuçları tek bir panodan izleyebileceğin birleşik bir ortam sağlar.

Ayrıca ölçeklenebilir eğitim için bulut GPU seçenekleri sunar ve dağıtımı destekleyerek altyapı kurma veya bağımlılıkları yönetme ihtiyacını azaltır.

Eğitime başlamadan önce göz önünde bulundurman gereken birkaç önemli faktör daha şunlardır:

• Veri kümesi bölme: Veri kümesi eğitim, doğrulama ve test kümelerine ayrılmalıdır. Bu, modelin yeni verilere ne kadar iyi genelleme yaptığını değerlendirmeye yardımcı olur ve aşırı öğrenmeyi önler.
• Model seçimi: Ultralytics YOLO26 modelleri farklı boyutlarda sunulur; böylece dağıtım ihtiyaçlarına göre hız ve doğruluk arasında denge kurabilirsin.
• Eğitim yapılandırması: Batch boyutu, görüntü boyutu ve epoch sayısı gibi parametreler hem eğitim hızını hem de model performansını etkileyebilir.

Eğitim tamamlandıktan sonra model; kesinlik, geri çağırma ve mAP (ortalama kesinlik) gibi metrikler kullanılarak değerlendirilebilir. Bu metrikler, modelin ürünleri ne kadar doğru tespit ettiğini ve hatalardan ne kadar iyi kaçındığını ölçmeni sağlar.

Modelin performansı yeterince güçlü değilse veri kümesi ve eğitim düzeni iyileştirilebilir. Bu iyileştirmeler veri artırma uygulamayı, daha çeşitli görüntüler eklemeyi veya bazı SKU'ların daha seyrek göründüğü durumlarda sınıfları dengelemeyi içerebilir.

Planogram uyumluluğu mantığını entegre etme#

Bir modeli eğitip değerlendirdikten sonraki adım, planogram uyumluluğu kontrollerini gerçekleştiren mantığı oluşturmaktır. Bu, raf verilerinin yapılandırılmasını ve beklenen yerleşimle karşılaştırılmasını içerir.

Bu sürecin nasıl işlediğine genel bir bakış:

• Beklenen raf yerleşimini tanımla: Öncelikle beklenen raf yerleşimi planogram kullanılarak tanımlanır ve satır ve sütunlardan oluşan yapılandırılmış bir ızgara olarak gösterilir. Izgaradaki her konum, ürünlerin raf alanında nasıl düzenlenmesi gerektiğini yansıtacak şekilde belirli bir SKU'ya karşılık gelir.
• Tespit edilen ürünleri düzenle: Ardından modelin tespitleri raftaki konumlarına göre düzenlenir. Ürünler koordinatları kullanılarak sıralanır ve raf sıralarında gruplandırılır; böylece ham tespitler gerçek raf düzenini yansıtan yapılandırılmış bir yerleşime dönüştürülür.
• Beklenen ve gerçek yerleşimleri karşılaştır: Daha sonra yapılandırılmış raf yerleşimi, farklılıkları belirlemek için beklenen planogramla karşılaştırılır. Tespit edilen bir ürün beklenen SKU ile eşleşmiyorsa yanlış yerleştirilmiş olarak işaretlenir. Bir ürün bir konumda eksikse eksik olarak işaretlenir. Bu adım, gerekli facing sayısının korunup korunmadığını doğrulamak için de kullanılabilir.
• Uyumluluk sonuçları oluştur: Son olarak her raf için uyumsuzlukları, sapmaları ve farklılıkları öne çıkaran bir uyumluluk raporu oluşturulabilir. Ekiplerin sorunları hızlı bir şekilde belirleyip gidermesine yardımcı olmak için bu çıktılar panolar aracılığıyla paylaşılabilir.

Planogram uyumluluğu için bir görsel model dağıtma#

Ürün tespiti ve uyumluluk mantığını entegre eden bir çözüm oluşturduktan sonraki adım, çözümü bir perakende mağazası ortamında dağıtmaktır. Kullanım senaryosuna ve altyapıya bağlı olarak dağıtım yaklaşımında değerlendirilebilecek birkaç farklı seçenek vardır.

Seçeneklerden biri, modeli mağaza içi sunucular veya gömülü donanımlar gibi uç cihazlarda dağıtmaktır. Bu sistemler kameralara yakın konumlandırılır; böylece raf görüntüleri yakalandıkları yerde işlenebilir, düşük gecikme ve gerçek zamanlı izleme sağlanabilir.

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

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

Bu sayede modeller, dağıtım ihtiyaçlarına bağlı olarak grafik işlem birimleri (GPU'lar), merkezi işlem birimleri (CPU'lar), mobil cihazlar ve gömülü sistemler dahil olmak üzere çok çeşitli donanımlarda çalıştırılabilir.

Bu sırada Ultralytics Platform, 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.

Platform ayrıca modellerin harici sistemlerde veya uç cihazlarda çalıştırılmak üzere dışa aktarılmasını destekleyerek geliştirmeden gerçek dünya dağıtımına geçişi kolaylaştırır. Buna ek olarak platform, dağıtım sonrasında performansı takip etmeye ve zaman içinde güvenilir çalışmayı sağlamaya yardımcı olan izleme araçları içerir.

Planogram uyumluluğu tespitinde görsel yapay zekâ kullanmanın faydaları#

Planogram uyumluluğu sistemi oluşturmak için Ultralytics YOLO26 kullanmanın başlıca avantajlarından bazıları şunlardır:

• Farklı perakende ortamlarına uyarlanabilir: Ultralytics YOLO26 yeni verilerle yeniden eğitilebilir veya ince ayar yapılabilir; bu da onu farklı mağaza yerleşimlerine, ürün çeşitlerine ve bölgesel farklılıklara uyarlanabilir hâle getirir.
• Veriye dayalı karar almayı optimize eder: Uyumluluk verileri, eğilimleri belirlemek, performansı ölçmek ve perakende stratejilerini iyileştirmek için mağazalar genelinde birleştirilebilir.
• Gerçek zamanlı sürekli izleme: Ultralytics YOLO26, düşük gecikmeli çıkarım için optimize edilmiştir; bu sayede raf görüntüleri sürekli analiz edilebilir ve uç cihazlarda ürün yerleşimindeki değişiklikler gerçek zamanlı olarak tespit edilebilir.
• Perakende sistemleriyle entegrasyon: Ultralytics YOLO26 ile güçlendirilmiş bir planogram uyumluluğu tespit sistemi, mağaza performansına ilişkin daha kapsamlı bir görünüm sağlamak için envanter, POS (satış noktası) veya analiz sistemleriyle entegre edilebilir.

Önemli çıkarımlar#

Planogram uyumluluğu, doğru ürün yerleşimini ve tutarlı perakende operasyonlarını korumak için hayati önem taşır. Ürün tespitini yerleşim karşılaştırmasıyla birleştiren mağazalar manuel denetimleri azaltabilir ve rafları daha doğru şekilde kontrol edebilir. Ultralytics YOLO26 gibi modellerle bu tür sistemler birden fazla mağazada kullanılabilir ve mağaza düzeyindeki verileri kullanarak daha iyi kararlar alınmasını da destekleyebilir.

Görsel yapay zekâyı projelerine taşımak ister misin? Aktif topluluğumuza katıl ve perakendede görsel yapay zekâ ile robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazla bilgi için GitHub depomuzu keşfet. Başlamak için lisanslama seçeneklerimize göz at!