Planogram uyumluluk tespiti için Ultralytics YOLO26 kullanımı

Hepimiz ekmek veya mısır gevreği gibi bir şey satın almak için bir mağazaya girmişizdir, rafları taramak için birkaç dakika harcamışızdır ve sonra onu bulamadığımızı fark etmişizdir. Bazen yanlış yerdedir, bazen stokta yoktur ve bazen de raftaki diğer her şeyle birbirine karışır.

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. Bunu yönetmek için mağazalar, her ürünün rafta nereye yerleştirilmesi gerektiğini gösteren basit bir düzen olan bir planogram kullanır.

Planogram uyumluluğu, gerçek rafın beklenen düzenle eşleşip eşleşmediğini kontrol etme sürecidir. Birçok mağazada bu işlem hala zaman alıcı ve tutarsız olabilen manuel denetimler ve kontrol listeleri aracılığıyla yapılmaktadır.

Şek 1. Uyum denetimi sonuçlarıyla birlikte bir planogram ve gerçek bir raf (realogram) karşılaştırması (Kaynak)

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

İşte bu yüzden perakendeciler giderek computer vision ve görüntü tanıma teknolojilerine yöneliyor. Bu yapay zeka teknolojileri, mağaza içi kameralardan yakalanan raf görüntülerini analiz edebilir, ürünleri otomatik olarak tespit edebilir ve doğru yerleştirilip yerleştirilmediklerini kontrol edebilir. Ultralytics YOLO26 gibi Vision AI modelleri bu süreci hızlı, doğru ve gerçek mağaza ortamlarında kullanımı pratik hale getirir.

Bu makalede, Ultralytics YOLO26 kullanarak bir planogram uyumluluk tespit sisteminin nasıl oluşturulacağını inceleyeceğiz. Hadi başlayalım!

Planogram uyumluluğu nedir?#

Planogram uyumu, mağaza düzenlerinin tutarlı kalmasına yardımcı olur, doğru fiyatlandırma ve promosyonları destekler, inventory management sürecini iyileştirir ve müşterilerin raflarda ürün bulmasını kolaylaştırır.

Ürünlerin önceden tanımlanmış bir düzene veya bir planograma göre düzenlenmesini ifade eder. Bu düzen, her ürünün nereye yerleştirilmesi gerektiğini, kaç adet yüzey (rafın ön tarafına yerleştirilen ve müşterilerin görebileceği ürün sayısı) olması gerektiğini ve hangi ürünlerin birbirinin yanına konumlandırılması gerektiğini tanımlar.

Perakendeciler ve paketli tüketim malları (CPG) markalarının her ikisi de planogramlara güvenir. Perakendeciler bunları rafları düzenlemek ve mağazalar arasında tutarlılığı korumak için kullanırken, CPG markaları bunları ürünlerinin doğru bir şekilde sergilendiğinden ve yeterli görünürlük elde ettiğinden emin olmak için kullanır.

Şek 2. Gerçek bir raf düzeniyle eşleşen bir planograma bakış (Kaynak)

Planogram denetimleri süreci, gerçek bir rafı beklenen bir düzenle karşılaştırmayı içerir. Bu, doğru SKU'ların doğru konumlarda olup olmadığını ve gerekli yüzey sayısının korunup korunmadığını kontrol etmeyi içerir.

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

Bu, fiyatlandırma doğruluğunu ve müşteri kararlarını etkileyebilir. Uyumluluğu sürdürmek rafları düzenli tutar ve müşteri deneyimini geliştirir.

Planogram uyumluluğu için bilgisayarlı görü kullanımı#

Geleneksel olarak retail stores, manuel denetimler ve kontrol listeleri aracılığıyla planogram uyumunu sürdürmüştür. Mağaza personeli raf düzenlerini inceler, ürün yerleşimini ve yüzeylerini doğrular ve gözlemleri kaydeder.

Ancak bu süreç zaman alıcı olabilir, birden fazla mağazada ölçeklendirilmesi zordur ve genellikle kontrollerin nasıl yapıldığı konusunda tutarsızlıklara yol açar. Perakende sektörü, bu uyumluluk kontrollerini daha iyi yönetmek için sistemlerin görüntüleri analiz etmesini ve anlamasını sağlayan bir yapay zeka alanı olan bilgisayarlı görü teknolojisini hızla benimsiyor.

Bu sistemler, raf görüntülerini yakalamak için kameralar kullanır ve bireysel ürünleri tanımak üzere eğitilmiş modelleri kullanarak bunları işler. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, nesne algılama ve örnek bölümleme gibi görü görevlerini destekleyerek perakende raflarındaki ürünleri doğru bir şekilde tanımlamayı ve konumlandırmayı mümkün kılar.

Şek 3. Bir perakende rafındaki ürünleri tespit etmek ve segmentlere ayırmak için YOLO26 kullanımına dair bir örnek (Kaynak)

Ultralytics YOLO26'yı bu kullanım durumu için kullanmak da oldukça kolaydır; çünkü kutudan çıktığı gibi önceden eğitilmiş bir model olarak sunulur, güçlü bir başlangıç noktası sağlar ve belirli ürünleri tanımak üzere perakende raf verileri üzerinde özel olarak eğitilebilir.

Bu tespitlere dayanarak, bir planogram uyumluluk tespit sistemi raftaki ürün konumlarını eşleyebilir ve bunları beklenen düzenlerle karşılaştırabilir. Bu yaklaşımla perakendeciler manuel kontrollerin ötesine geçebilir ve rafları mağaza düzeyinde sürekli olarak izleyebilirler.

SKU düzeyinde ürünleri tespit edebilir, yerleşim hatalarını belirleyebilir ve raf bulunabilirliğini ve genel yürütmeyi iyileştirebilirler.

Yapay zeka destekli planogram uyumluluk tespitinin nasıl çalıştığını anlamak#

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

Bir planogram uyumluluk sistemi tipik olarak iki ana aşamada çalışır. İlk olarak, Ultralytics YOLO26 gibi bir model, ürünleri tespit etmek ve sınıflandırmak için raf görüntülerini analiz eder. Model, her tespitin yanı sıra, her ürünün rafta nerede göründüğünü gösteren konum bilgisi sağlar.

Daha sonra, bu tespitler yapılandırılmış bir raf düzenine göre düzenlenir. Ürünler, gerçek dünyada öğelerin nasıl düzenlendiğini yansıtacak şekilde, genellikle raf sıraları halinde konumlarına göre gruplandırılır.

Şekil 4. Ultralytics YOLO26, planogram uyumluluğunu sağlayabilir. (Kaynak)

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

Ürün tespitini düzen karşılaştırmasıyla birleştirerek sistem, beklenen ve gerçek raf düzeni arasındaki farkları belirleyebilir. Sonuçlar, mağaza düzeyindeki sorunları vurgulayan uyumluluk raporları veya panolar olarak sunulabilir.

Bu, mağaza ekiplerinin neyin yanlış olduğunu hızlı bir şekilde anlamasını, düzeltici önlem almasını ve tutarlı perakende yürütmesini sürdürmesini zahmetsiz hale getirir.

Bir planogram uyumluluk sistemi oluşturmak için veri seti hazırlama#

Bir planogram uyumluluk sistemi oluşturmanın ilk adımı, iyi yapılandırılmış bir veri seti hazırlamaktır. Bu, farklı perakende ortamlarından raf görüntüleri toplamayı içerir. Bu verilerin kalitesi ve çeşitliliği, modelin ne kadar iyi performans gösterdiğini doğrudan etkiler.

Herkese açık veri setleri de başlangıç noktası olarak kullanılabilir. Ancak, mağaza düzenleri, ürün çeşitleri ve raf dizilimleri perakendeciler arasında değişiklik gösterdiğinden, bunlar genellikle gerçek dünya koşullarıyla tam olarak eşleşmez.

Güvenilir performans için genellikle hedef mağaza ortamına göre uyarlanmış özel bir veri seti oluşturmak gerekir. Veriler, farklı perakende lokasyonlarında mağaza içi kameralar veya mobil cihazlardan çekilen raf fotoğrafları kullanılarak toplanabilir.

Gerçek dünya verilerine ek olarak, kontrollü senaryolar oluşturmak için simüle edilmiş raf düzenleri kullanılabilir. Her ikisini birleştirmek, bir modelin farklı mağaza ortamlarında daha güvenilir bir şekilde çalışmasını sağlar.

Ayrıca düzen değişiklikleri, raf dizilimleri, ürün yerleşimi, aydınlatma, kamera açıları ve raf organizasyonu gibi farklı gerçek mağaza koşullarını yakalamak da çok önemlidir. Çeşitli ve gerçekçi veriler toplayarak, model mağazalar genelinde genelleme yapmayı öğrenebilir ve ölçekli olarak doğru planogram uyumluluk tespitini destekleyebilir.

Perakende veri setini etiketlemeye genel bakış#

Veriler toplandıktan sonra, sonraki adım açıklamadır (annotation). Bir görüntüdeki her ürün, modelin farklı SKU'ları tanımayı öğrenebilmesi için etrafına sınırlayıcı kutular (bounding box) çizilerek etiketlenir.

Etiketleme yaparken, net sınıflar tanımlamak önemlidir. Bu, planograma bağlı olarak farklı ayrıntı düzeylerinde yapılabilir.

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

Veri setlerini, etiketlemeyi, eğitimi ve dağıtımı yönetmek için uçtan uca bir ortam olan Ultralytics Platform gibi araçlar bu süreci basitleştirebilir. Hem manuel etiketlemeyi hem de modellerin incelenip iyileştirilebilecek etiketler önerebildiği yapay zeka destekli etiketlemeyi destekleyerek hızı ve tutarlılığı artırmaya yardımcı olur.

Ürün tespiti için Ultralytics YOLO26 eğitimi#

Veri seti hazırlanıp etiketlendikten sonraki adım, perakende raflarındaki ürünleri algılamak için YOLO26 modelini eğitmektir. Bu işlem Ultralytics Python package veya Ultralytics Platform kullanılarak yapılabilir.

Ultralytics Python paketi, özel iş akışları oluşturmak ve eğitimi mevcut iş akışlarına entegre etmek için esneklik sunar. Benzer şekilde Ultralytics Platform, açıklama ekleyebileceğiniz, veri setlerini yönetebileceğiniz, eğitimi yapılandırabileceğiniz, deneyler yürütebileceğiniz ve sonuçları tek bir panodan izleyebileceğiniz 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 bulundurulması gereken birkaç temel faktör daha vardır:

• Veri seti bölünmesi: Veri seti eğitim, doğrulama ve test setlerine ayrılmalıdır. Bu, modelin yeni verilere ne kadar iyi genelleme yaptığını değerlendirmeye yardımcı olur ve aşırı uyumu (overfitting) önler.
• Model seçimi: Ultralytics YOLO26 modelleri farklı boyutlarda gelir; bu sayede dağıtım ihtiyaçlarına göre hız ve doğruluk dengesini kurabilirsin.
• Eğitim yapılandırması: Toplu iş boyutu (batch size), görüntü boyutu ve dönem (epoch) sayısı gibi parametreler hem eğitim hızını hem de model performansını etkileyebilir.

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

Modelin performansı yeterince güçlü değilse, veri seti ve eğitim kurulumu iyileştirilebilir. Bu, veri artırımı (augmentation) uygulamayı, daha çeşitli görüntüler eklemeyi veya bazı SKU'ların daha az göründüğü dengesiz sınıfları dengelemeyi içerebilir.

Planogram uyumluluk mantığını entegre etme#

Bir modeli eğitip değerlendirdikten sonraki adım, planogram uyumluluk kontrollerini gerçekleştiren mantığı oluşturmaktır. Bu, raf verilerini yapılandırmayı ve beklenen düzenle karşılaştırmayı içerir.

İşte bu sürecin nasıl çalıştığına dair bir genel bakış:

• Beklenen raf düzenini tanımla: İlk olarak, beklenen raf düzeni planogram kullanılarak tanımlanır ve satırlar ile sütunlardan oluşan yapılandırılmış bir ızgara olarak temsil edilir. 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. Koordinatları kullanılarak ürünler sıralanır ve raf sıralarına göre gruplandırılır, böylece ham tespitler gerçek raf düzenini yansıtan yapılandırılmış bir düzene dönüştürülür.
• Beklenen ve gerçek düzenleri karşılaştır: Daha sonra, yapılandırılmış raf düzeni, farklılıkları belirlemek için beklenen planogramla karşılaştırılır. Tespit edilen bir ürün beklenen SKU ile eşleşmiyorsa, yanlış yerleştirilmiş olarak işaretlenir. Bir konumda bir ürün eksikse, eksik olarak işaretlenir. Bu adım, gerekli yüzey sayısının korunup korunmadığını doğrulamak için de kullanılabilir.
• Uyumluluk sonuçlarını oluştur: Son olarak, her raf için uyumsuzluğu, sapmaları ve tutarsızlıkları vurgulayan bir uyumluluk raporu üretilebilir. Bu çıktılar, ekiplerin sorunları hızlı bir şekilde tanımlamasına ve ele almasına yardımcı olmak için panolar aracılığıyla paylaşılabilir.

Planogram uyumluluğu için bir vizyon modeli dağıtma#

Ürün tespiti ve uyumluluk mantığını entegre eden bir çözüm oluşturduktan sonraki adım, bunu bir perakende mağazası ortamında dağıtmaktır. Kullanım durumuna ve altyapıya bağlı olarak dağıtım yaklaşımında göz önünde bulundurulması gereken birkaç farklı seçenek vardır.

Bir seçenek, modeli mağaza içi sunucular veya gömülü donanımlar gibi uç cihazlarda (edge devices) dağıtmaktır. Bu sistemler kameraların yakınına yerleştirilir, böylece raf görüntüleri yakalandıkları yerde işlenebilir ve bu da düşük gecikme süresi ile gerçek zamanlı izleme sağlar.

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

Ultralytics ekosisteminde, bu farklı dağıtım senaryolarını destekleyen birkaç seçenek bulunmaktadır. Örneğin, Ultralytics Python paketi kullanılarak eğitilmiş YOLO26 models can be exported modelleri ONNX, TensorRT veya CoreML gibi farklı formatlara aktarılabilir.

Bu, 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 modelleri çalıştırmayı mümkün kılar.

Bu sırada Ultralytics Platform; test etmeyi, entegrasyonu ve üretim dağıtımını basitleştiren yerleşik deployment options 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 geliştirmeden gerçek dünya dağıtımına geçişi kolaylaştırır. Buna ek olarak platform, dağıtımdan sonra performansı takip etmeye ve zaman içinde güvenilir çalışmayı sağlamaya yardımcı olan izleme araçlarını içerir.

Planogram uyumluluk tespiti için vizyon AI kullanmanın faydaları#

Bir planogram uygunluk sistemi oluşturmak için Ultralytics YOLO26 kullanmanın başlıca avantajlarından bazıları şunlardır:

• Farklı perakende ortamlarına uyarlanabilir: Ultralytics YOLO26, yeni veriler üzerinde yeniden eğitilebilir veya ince ayardan geçirilebilir; böylece farklı mağaza düzenlerine, ürün çeşitlerine ve bölgesel farklılıklara uyum sağlayabilir.
• Veri odaklı karar vermeyi optimize eder: Uyumluluk verileri, trendleri belirlemek, performansı ölçmek ve perakende stratejilerini iyileştirmek için mağazalar genelinde toplanabilir.
• Gerçek zamanlı sürekli izleme: Ultralytics YOLO26, düşük gecikmeli çıkarım için optimize edilmiştir; bu sayede raf görüntülerinin sürekli analizini ve uç cihazlarda ürün yerleşimi değişikliklerinin gerçek zamanlı olarak tespit edilmesini sağlar.
• Perakende sistemleriyle entegrasyon: Ultralytics YOLO26 tarafından desteklenen bir planogram uygunluk tespiti sistemi; mağaza performansının daha eksiksiz bir görünümünü sunmak için envanter, POS (satış noktası) veya analitik sistemleriyle entegre edilebilir.

Öne çıkanlar#

Planogram uygunluğu, doğru ürün yerleşimini ve tutarlı perakende operasyonlarını sürdürmek için hayati önem taşır. Mağazalar, ürün tespiti ile düzen karşılaştırmasını birleştirerek manuel denetimleri azaltabilir ve rafları daha doğru bir şekilde kontrol edebilir. Ultralytics YOLO26 gibi modeller sayesinde bu tür sistemler birden fazla mağazada kullanılabilir ve mağaza düzeyindeki veriler kullanılarak daha iyi kararlar alınmasını da destekleyebilir.

Projelerine vizyon yapay zekası getirmek ister misin? Aktif community topluluğumuza katıl ve vision AI in retail ile computer vision in robotics hakkında bilgi edin. Daha fazlasını keşfetmek için GitHub repository deponu incele. Başlamak için licensing options lisanslama seçeneklerimize göz at!