Planogram uygunluğunu tespit etmek için Ultralytics YOLO26 kullanımı

Hepimiz ekmek ya da mısır gevreği gibi bir şeyler almak için bir mağazaya girip rafları birkaç dakika gözden geçirdikten sonra ürünü bulamadığımızı fark etmişizdir. Bazen ürün yanlış yerdedir, bazen stokta yoktur, bazen de raftaki diğer ürünlerin arasında kaybolur.

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

Planogram uyumluluğu, gerçek rafın beklenen yerleşim planına uygun olup olmadığını kontrol etme sürecidir. Birçok mağazada bu işlem hâlâ zaman alıcı ve tutarsız olabilen manuel denetimler ve kontrol listeleriyle yürütülür.

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

Yanlış yere konmuş SKU'lar (stok tutma birimleri), hatalı fiyatlandırma veya stokta olmayan ürünler gibi küçük tutarsızlıklar bile fark yaratabilir. SKU'lar, farklı boyutlar veya tatlar gibi ürün çeşitlerini tanımlamak ve izlemek için kullanılan benzersiz kodlardır. Bu sorunlar rafta bulunurluğu azaltır ve satış kaybına yol açabilir.

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

Bu makalede Ultralytics YOLO26 kullanarak planogram uyumluluğunu tespit eden bir sistemi nasıl oluşturacağını adım adım anlatacağız. Haydi başlayalım!

Planogram uyumluluğu nedir?#

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

Planogram, ürünlerin önceden tanımlanmış bir düzene göre yerleştirilmesini ifade eder. Bu yerleşim planı her ürünün nereye konması gerektiğini, kaç cepheye sahip olması gerektiğini (rafın ön kısmına yerleştirilerek müşterilerin görebildiği ürün sayısı) ve hangi ürünlerin yan yana bulunması gerektiğini belirler.

Perakendeciler ve tüketici ambalajlı ürün (CPG) markaları planogramlara dayanır. Perakendeciler rafları düzenlemek ve mağazalar arasında tutarlılığı sağlamak için planogramları kullanırken, CPG markaları ürünlerinin doğru biçimde sergilenmesini ve yeterli görünürlük kazanmasını sağlamak için kullanır.

Şekil 2. Gerçek raf düzeniyle eşleştirilen bir planograma bakış (Kaynak)

Planogram denetimi sürecinde gerçek raf, beklenen yerleşim planıyla karşılaştırılır. Buna doğru SKU'ların doğru konumlarda olup olmadığının ve gerekli cephe sayısının korunup korunmadığının kontrol edilmesi de dâhildir.

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

Bu durum fiyatlandırma doğruluğunu ve müşteri kararlarını etkileyebilir. Uyumluluğun korunması rafları düzenli tutar ve müşteri deneyimini iyileştirir.

Planogram uyumluluğu için bilgisayarlı görü kullanımı#

Geleneksel olarak perakende mağazaları, planogram uyumluluğunu manuel denetimler ve kontrol listeleriyle sağlamıştır. Mağaza personeli raf düzenlerini inceler, ürünlerin yerleşimini ve teşhir yüzü sayılarını doğrular ve gözlemlerini kaydeder.

Ancak bu süreç zaman alabilir, birden fazla mağazada ölçeklendirilmesi zor olabilir ve kontrollerin nasıl yapıldığı konusunda tutarsızlıklara yol açabilir. Perakende sektörü, sistemlerin görüntüleri analiz edip anlamasını sağlayan bir yapay zekâ alanı olan bilgisayarlı görüden, bu uyumluluk kontrollerini daha iyi yönetmek için hızla yararlanıyor.

Bu sistemler raf görüntülerini kameralarla yakalar ve tek tek ürünleri tanımak için eğitilmiş modellerle işler. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, nesne algılama ve örnek segmentasyonu gibi görü görevlerini destekleyerek perakende raflarındaki ürünleri doğru şekilde belirleyip konumlandırmayı mümkün kılar.

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

Bu kullanım senaryosunda Ultralytics YOLO26'dan yararlanmak da oldukça kolaydır; çünkü model, güçlü bir başlangıç noktası sunan önceden eğitilmiş bir model olarak kullanıma hazırdır ve belirli ürünleri tanıması için perakende rafı verileriyle özel olarak eğitilebilir.

Bu algılamalara dayanarak planogram uyumluluğu algılama sistemi, raftaki ürün konumlarını eşleyip beklenen düzenlerle karşılaştırabilir. Bu yaklaşımla perakendeciler manuel kontrollerin ötesine geçerek rafları mağaza genelinde sürekli izleyebilir.

Ürünleri SKU düzeyinde algılayabilir, yerleşim hatalarını belirleyebilir ve rafta ürün bulunabilirliğini ve genel uygulama kalitesini iyileştirebilirler.

Yapay zekâ destekli planogram uyumluluğu algılamanın nasıl çalıştığını anlama#

Planogram uyumluluğu algılamada Ultralytics YOLO26'yı nasıl kullanacağımıza geçmeden önce, biraz geri çekilip bu sistemlerde ürün algılama ve düzen karşılaştırmanın nasıl bir araya geldiğini anlayalım.

Bir planogram uyumluluk sistemi genellikle iki ana aşamada çalışır. İlk olarak Ultralytics YOLO26 gibi bir model, ürünleri algılamak ve sınıflandırmak için raf görüntülerini analiz eder. Model, her algılamayla birlikte her ürünün rafta nerede bulunduğunu gösteren konum bilgisi de sağlar.

Ardından bu algılamalar yapılandırılmış bir raf düzeni hâlinde düzenlenir. Ürünler, gerçek dünyadaki yerleşimlerini yansıtacak şekilde konumlarına göre, genellikle raf sıraları içinde gruplandırılır.

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

Bu yapılandırılmış düzen daha sonra beklenen planogramla karşılaştırılır. Sistem, doğru SKU'ların doğru konumlarda olup olmadığını, gerekli teşhir yüzü sayısının korunup korunmadığını ve ürünlerin eksik ya da yanlış yerleştirilmiş olup olmadığını kontrol eder.

Ürün algılamayı düzen karşılaştırmayla birleştiren sistem, beklenen raf düzeni ile mevcut raf düzeni arasındaki farkları belirleyebilir. Sonuçlar, mağaza düzeyindeki sorunları öne çıkaran uyumluluk raporları veya panolar şeklinde sunulabilir.

Bu sayede mağaza ekipleri neyin yanlış olduğunu hızla anlayabilir, düzeltici adımlar atabilir ve perakende uygulamalarında tutarlılığı koruyabilir.

Planogram uyumluluk sistemi geliştirmek için veri kümesi hazırlama#

Planogram uyumluluk sistemi geliştirmenin ilk adımı, iyi yapılandırılmış bir veri kümesi hazırlamaktır. Bunun için farklı perakende ortamlarından raf görüntüleri toplanır. Bu verilerin kalitesi ve çeşitliliği, model performansını doğrudan etkiler.

Herkese açık veri kümeleri de başlangıç noktası olarak kullanılabilir. Ancak mağaza düzenleri, ürün çeşitleri ve raf yerleşimleri perakendeciler arasında farklılık gösterdiğinden, bu veri kümeleri çoğu zaman gerçek dünya koşullarını bütünüyle yansıtmaz.

Güvenilir performans için genellikle hedef mağaza ortamına göre uyarlanmış özel bir veri kümesi oluşturmak gerekir. Veriler, farklı perakende konumlarında mağaza içi kameralardan veya mobil cihazlardan çekilen raf fotoğraflarıyla toplanabilir.

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

Düzen değişiklikleri, raf yerleşimleri, ürün konumlandırması, aydınlatma, kamera açıları ve raf organizasyonu gibi farklı gerçek mağaza koşullarını yakalamak da kritik önem taşır. Çeşitli ve gerçekçi veriler toplayarak modelin mağazalar arasında genelleme yapmasını ve planogram uyumluluğunu ölçekli biçimde doğru algılamasını sağlayabilirsin.

Perakende veri kümesi etiketlemeye genel bakış#

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

Etiketleme sırasında sınıfları net biçimde tanımlamak önemlidir. Planograma bağlı olarak farklı ayrıntı düzeyleri kullanılabilir.

SKU düzeyinde belirli bir marka, boyut veya aroma gibi her ürün çeşidi ayrı etiketlenir. Kategori düzeyinde ise alkolsüz içecekler veya atıştırmalıklar gibi benzer ürünler birlikte gruplanabilir.

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 yöntemde modeller incelenip iyileştirilebilen anotasyon önerileri sunarak hızın ve tutarlılığın artırılmasına yardımcı olur.

Ürün algılama için Ultralytics YOLO26'yı eğitme#

Veri kümesi hazırlanıp etiketlendikten sonraki adım, YOLO26'yı perakende raflarındaki ürünleri algılayacak şekilde eğitmektir. Bu işlem Ultralytics Python paketi veya Ultralytics Platform kullanılarak yapılabilir.

Ultralytics Python paketi, özel işlem hatları oluşturma ve eğitimi mevcut iş akışlarına entegre etme konusunda esneklik sunar. Benzer şekilde Ultralytics Platform; anotasyon yapabileceğin, veri kümelerini yönetebileceğin, eğitimi yapılandırabileceğin, deneyler yürütebileceğin ve sonuçları tek bir panodan izleyebileceğin birleşik bir ortam sağlar.

Platform 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 nokta:

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

Eğitim tamamlandıktan sonra model; kesinlik, duyarlılık ve mAP (ortalama ortalama kesinlik) gibi metriklerle değerlendirilebilir. Bu metrikler, modelin ürünleri ne kadar doğru algıladığını ve hatalardan ne ölçüde kaçındığını ölçmeni sağlar.

Modelin performansı yeterince iyi değilse veri kümesi ve eğitim düzeni iyileştirilebilir. Bu kapsamda veri artırma uygulanabilir, daha çeşitli görüntüler eklenebilir veya bazı SKU'ların daha seyrek görülmesinden kaynaklanan sınıf dengesizliği giderilebilir.

Planogram uyumluluğu mantığını entegre etme#

Bir modeli eğitip değerlendirdikten sonraki adım, planogram uyumluluk kontrollerini gerçekleştiren mantığı oluşturmaktır. Bunun için raf verileri yapılandırılır ve beklenen düzenle karşılaştırılır.

Bu sürecin nasıl işlediğine genel bir bakış:

• Beklenen raf düzenini tanımla: Önce planogram kullanılarak beklenen raf düzeni tanımlanır ve satırlarla sütunlardan oluşan yapılandırılmış bir ızgara şeklinde gösterilir. Izgaradaki her konum, ürünlerin raf alanında nasıl düzenlenmesi gerektiğini yansıtan belirli bir SKU'ya karşılık gelir.
• Algılanan ürünleri düzenle: Ardından modelin algıladığı ürünler raftaki konumlarına göre düzenlenir. Koordinatları kullanılarak ürünler sıralanıp raf sıraları hâlinde gruplandırılır; böylece ham algılamalar, gerçek raf düzenini yansıtan yapılandırılmış bir düzene dönüştürülür.
• Beklenen ve mevcut düzenleri karşılaştır: Ardından farkları belirlemek için yapılandırılmış raf düzeni beklenen planogramla karşılaştırılır. Algılanan ürün beklenen SKU'yla eşleşmiyorsa yanlış yerleştirilmiş olarak işaretlenir. Bir konumda ürün yoksa eksik olarak işaretlenir. Bu adım, gerekli teşhir yüzü sayısının korunup korunmadığını doğrulamak için de kullanılabilir.
• Uyumluluk sonuçları oluştur: Son olarak her raf için uyumsuzlukları, sapmaları ve tutarsızlıkları öne çıkaran bir uyumluluk raporu hazırlanabilir. Ekiplerin sorunları hızla belirleyip gidermesine yardımcı olmak için bu çıktılar panolar aracılığıyla paylaşılabilir.

Planogram uyumluluğu için görü modelini dağıtma#

Ürün algılamayı ve uyumluluk mantığını bir araya getiren bir çözüm oluşturduktan sonraki adım, çözümü bir perakende mağazası ortamında dağıtmaktır. Kullanım senaryosuna ve altyapıya bağlı olarak dağıtım için 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 çekildikleri yerde işlenerek düşük gecikmeli çalışma ve gerçek zamanlı izleme sağlanır.

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

Ultralytics ekosistemi içinde bu farklı dağıtım senaryolarını destekleyen çeşitli seçenekler bulunur. Örneğin Ultralytics Python paketini kullanarak eğitilmiş YOLO26 modellerini farklı biçimlere aktarabilirsin; ONNX, TensorRT veya CoreML bu biçimlerden bazılarıdır.

Dağıtım ihtiyaçlarına bağlı olarak modeller; grafik işlem birimleri (GPU'lar), merkezi işlem birimleri (CPU'lar), mobil cihazlar ve gömülü sistemler dâhil olmak üzere çok çeşitli donanımlarda çalıştırılabilir.

Ultralytics Platform ise test, entegrasyon ve üretim dağıtımını 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, modellerin harici sistemlerde veya uç cihazlarda çalıştırılmak üzere dışa aktarılmasını da destekleyerek geliştirmeden gerçek dünya dağıtımına geçişi kolaylaştırır. Ayrıca dağıtım sonrasındaki performansı izlemeye ve zaman içinde güvenilir çalışmayı sağlamaya yardımcı olan izleme araçları da içerir.

Planogram uyumluluğunu algılamak için yapay zekâ destekli görü kullanmanın faydaları#

Planogram uyumluluk sistemi oluşturmak için Ultralytics YOLO26 kullanmanın başlıca avantajlarından bazıları:

• Farklı perakende ortamlarına uyarlanabilir: Ultralytics YOLO26 yeni verilerle yeniden eğitilebilir veya ince ayar yapılabilir; bu da farklı mağaza düzenlerine, ürün çeşitlerine ve bölgesel farklılıklara uyum sağlamasına olanak tanır.
• Veriye dayalı karar almayı iyileştirir: Eğilimleri belirlemek, performansı ölçmek ve perakende stratejilerini iyileştirmek için uyumluluk verileri mağazalar genelinde bir araya getirilebilir.
• Gerçek zamanlı sürekli izleme: Ultralytics YOLO26 düşük gecikmeli çıkarım için optimize edilmiştir; böylece raf görüntüleri sürekli analiz edilebilir ve uç cihazlarda ürün yerleşimi değişiklikleri gerçek zamanlı olarak algılanabilir.
• Perakende sistemleriyle entegrasyon: Ultralytics YOLO26 destekli bir planogram uyumluluğu algılama sistemi; mağaza performansına dair daha kapsamlı bir görünüm sunmak için envanter, POS (satış noktası) veya analiz sistemleriyle entegre edilebilir.

Önemli çıkarımlar#

Planogram uyumluluğu, ürünlerin doğru yerleştirilmesini ve perakende operasyonlarının tutarlı yürütülmesini sağlamak açısından kritik öneme sahiptir. Ürün algılamayı düzen karşılaştırmayla birleştiren mağazalar, manuel denetimleri azaltıp rafları daha doğru kontrol edebilir. Ultralytics YOLO26 gibi modellerle bu sistemler birden fazla mağazada kullanılabilir ve mağaza düzeyindeki verilerle daha iyi kararlar alınmasına da yardımcı olabilir.

Projelerine yapay zekâ destekli görü eklemek ister misin? Aktif topluluğumuza katıl ve perakendede yapay zekâ destekli görü ile robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazla bilgi için GitHub depomuzu keşfet. Başlamak için lisanslama seçeneklerimize göz at!