Tìm hiểu cách xây dựng hệ thống tuân thủ sơ đồ trưng bày sản phẩm bằng cách sử dụng các mô hình AI thị giác như... Ultralytics YOLO26 đến detect phát hiện sản phẩm đặt sai vị trí và tự động kiểm tra kệ hàng bán lẻ.
Ai trong chúng ta cũng từng bước vào cửa hàng để mua thứ gì đó như bánh mì hay ngũ cốc, dành vài phút nhìn quanh các kệ hàng, rồi nhận ra mình không tìm thấy nó. Đôi khi nó ở sai vị trí, đôi khi thì hết hàng, và đôi khi nó chỉ lẫn vào với những thứ khác trên kệ.
Đối với các nhà bán lẻ, việc sắp xếp sản phẩm đúng vị trí quan trọng hơn nhiều so với tưởng tượng. Điều này ảnh hưởng đến việc khách hàng có thể dễ dàng tìm thấy sản phẩm hay không và có thể tác động trực tiếp đến doanh số bán hàng cũng như sự hài lòng của khách hàng nói chung. Để quản lý điều này, các cửa hàng sử dụng sơ đồ bố trí sản phẩm (planogram), một bố cục đơn giản cho thấy vị trí đặt từng sản phẩm trên kệ.
Tuân thủ sơ đồ bố trí sản phẩm (planogram) là quá trình kiểm tra xem cách bố trí kệ hàng thực tế có khớp với bố cục dự kiến hay không. Tại nhiều cửa hàng, việc này vẫn được thực hiện thông qua kiểm tra thủ công và danh sách kiểm tra, điều này có thể tốn thời gian và không nhất quán.
Ngay cả những sai sót nhỏ như mã SKU (mã hàng tồn kho) bị đặt sai vị trí, giá cả không chính xác hoặc sản phẩm hết hàng cũng có thể tạo ra sự khác biệt. SKU là mã duy nhất được sử dụng để xác định và track Các biến thể sản phẩm riêng lẻ, chẳng hạn như kích cỡ hoặc hương vị khác nhau. Những vấn đề này làm giảm lượng hàng có sẵn trên kệ và có thể dẫn đến mất doanh thu.
Đó là lý do tại sao các nhà bán lẻ ngày càng chuyển sang sử dụng thị giác máy tính và nhận dạng hình ảnh. Các công nghệ trí tuệ nhân tạo này có thể tự động phân tích hình ảnh kệ hàng được chụp từ camera trong cửa hàng. detect Sản phẩm và kiểm tra xem chúng đã được đặt đúng vị trí chưa. Các mô hình AI thị giác như Ultralytics YOLO26 giúp quá trình này nhanh chóng, chính xác và thiết thực khi sử dụng trong môi trường cửa hàng thực tế.
Trong bài viết này, chúng ta sẽ cùng tìm hiểu cách xây dựng hệ thống phát hiện sự tuân thủ sơ đồ trưng bày sản phẩm bằng cách sử dụng... Ultralytics YOLO26. Bắt đầu thôi!
Tuân thủ sơ đồ trưng bày sản phẩm giúp duy trì tính nhất quán trong bố cục cửa hàng, hỗ trợ định giá và khuyến mãi chính xác, cải thiện quản lý hàng tồn kho và giúp khách hàng dễ dàng tìm thấy sản phẩm trên kệ.
Thuật ngữ này đề cập đến việc sắp xếp sản phẩm theo một bố cục đã được xác định trước hoặc một sơ đồ trưng bày. Bố cục này xác định vị trí đặt từng sản phẩm, số lượng mặt trưng bày (số lượng sản phẩm được đặt ở phía trước kệ và khách hàng có thể nhìn thấy), và sản phẩm nào nên được đặt cạnh nhau.
Cả các nhà bán lẻ và các thương hiệu hàng tiêu dùng đóng gói (CPG) đều dựa vào sơ đồ trưng bày sản phẩm (planogram). Các nhà bán lẻ sử dụng chúng để sắp xếp kệ hàng và duy trì tính nhất quán giữa các cửa hàng, trong khi các thương hiệu CPG sử dụng chúng để đảm bảo sản phẩm của họ được trưng bày đúng cách và có độ hiển thị tốt.
Quy trình kiểm tra sơ đồ bố trí sản phẩm bao gồm việc so sánh kệ hàng thực tế với bố cục dự kiến. Điều này bao gồm việc kiểm tra xem các mã sản phẩm (SKU) chính xác có được đặt đúng vị trí hay không và liệu số lượng mặt trưng bày theo yêu cầu có được duy trì hay không.
Có thể bạn đang thắc mắc liệu vị trí đặt sản phẩm trên kệ có thực sự tạo nên sự khác biệt hay không. Nhưng khi các sản phẩm trông tương tự nhau, ngay cả những sai sót nhỏ trong việc sắp xếp cũng có thể khiến khách hàng khó tìm thấy sản phẩm hơn hoặc bị nhầm lẫn.
Điều này có thể ảnh hưởng đến độ chính xác của giá cả và quyết định mua hàng của khách hàng. Việc tuân thủ các quy định giúp giữ cho kệ hàng được sắp xếp gọn gàng và nâng cao trải nghiệm của khách hàng.
Theo truyền thống, các cửa hàng bán lẻ duy trì sự tuân thủ sơ đồ trưng bày sản phẩm thông qua việc kiểm tra thủ công và danh sách kiểm tra. Nhân viên cửa hàng kiểm tra cách bố trí kệ, xác minh vị trí và cách trưng bày sản phẩm, và ghi lại các quan sát.
Tuy nhiên, quy trình này có thể tốn thời gian, khó mở rộng quy mô trên nhiều cửa hàng và thường dẫn đến sự không nhất quán trong cách thức kiểm tra. Ngành bán lẻ đang nhanh chóng áp dụng thị giác máy tính, một lĩnh vực trí tuệ nhân tạo cho phép các hệ thống phân tích và hiểu hình ảnh, để xử lý tốt hơn các hoạt động kiểm tra tuân thủ này.
Các hệ thống này sử dụng camera để chụp ảnh kệ hàng và xử lý chúng bằng các mô hình đã được huấn luyện để nhận diện từng sản phẩm riêng lẻ. Các mô hình thị giác máy tính như Ultralytics YOLO26 hỗ trợ các tác vụ thị giác như phát hiện đối tượng và phân đoạn đối tượng, giúp xác định và định vị chính xác sản phẩm trên kệ bán lẻ.
Việc sử dụng YOLO26 cho trường hợp này cũng khá đơn giản, vì nó có sẵn dưới dạng mô hình được huấn luyện trước, cung cấp một điểm khởi đầu mạnh mẽ, và có thể được huấn luyện tùy chỉnh trên dữ liệu kệ hàng bán lẻ để nhận dạng các sản phẩm cụ thể.
Dựa trên những phát hiện này, hệ thống phát hiện tuân thủ sơ đồ bố trí sản phẩm có thể lập bản đồ vị trí sản phẩm trên kệ và so sánh chúng với bố cục dự kiến. Với phương pháp này, các nhà bán lẻ có thể bỏ qua việc kiểm tra thủ công và giám sát kệ hàng liên tục ở cấp độ cửa hàng.
Họ có thể detect Phân tích sản phẩm ở cấp độ SKU, xác định lỗi sắp xếp vị trí và cải thiện khả năng sẵn có của sản phẩm trên kệ cũng như hiệu quả tổng thể.
Trước khi đi sâu vào cách sử dụng YOLO26 để phát hiện sự tuân thủ sơ đồ bố trí sản phẩm, chúng ta hãy cùng tìm hiểu cách thức phát hiện sản phẩm và so sánh bố cục hoạt động cùng nhau trong các hệ thống này.
Hệ thống kiểm tra tuân thủ sơ đồ trưng bày sản phẩm thường hoạt động theo hai giai đoạn chính. Đầu tiên, một mô hình như... Ultralytics YOLO26 phân tích hình ảnh kệ hàng để detect Và classify sản phẩm. Cùng với mỗi lần phát hiện, mô hình cung cấp thông tin vị trí cho thấy mỗi sản phẩm xuất hiện ở đâu trên kệ.
Tiếp theo, những sản phẩm được phát hiện này được sắp xếp thành bố cục kệ có cấu trúc. Sản phẩm được nhóm lại dựa trên vị trí của chúng, thường là theo hàng trên kệ, để phản ánh cách sắp xếp các mặt hàng trong thực tế.
Sau đó, bố cục được sắp xếp này sẽ được so sánh với sơ đồ trưng bày dự kiến. Hệ thống kiểm tra xem các mã sản phẩm (SKU) chính xác có được đặt đúng vị trí không, số lượng mặt hàng trưng bày có được duy trì đúng yêu cầu không, và có sản phẩm nào bị thiếu hoặc đặt sai vị trí không.
Bằng cách kết hợp nhận diện sản phẩm với so sánh bố cục, hệ thống có thể xác định sự khác biệt giữa cách bố trí kệ hàng dự kiến và thực tế. Kết quả có thể được trình bày dưới dạng báo cáo tuân thủ hoặc bảng điều khiển làm nổi bật các vấn đề ở cấp độ cửa hàng.
Điều này giúp đội ngũ cửa hàng dễ dàng nhanh chóng hiểu được vấn đề, thực hiện các biện pháp khắc phục và duy trì hoạt động bán lẻ nhất quán.
Bước đầu tiên trong việc xây dựng hệ thống tuân thủ sơ đồ trưng bày sản phẩm là chuẩn bị một bộ dữ liệu được cấu trúc tốt. Điều này bao gồm việc thu thập hình ảnh kệ hàng từ các môi trường bán lẻ khác nhau. Chất lượng và sự đa dạng của dữ liệu này ảnh hưởng trực tiếp đến hiệu quả hoạt động của mô hình.
Các bộ dữ liệu công khai cũng có thể được sử dụng làm điểm khởi đầu. Tuy nhiên, vì bố cục cửa hàng, chủng loại sản phẩm và cách sắp xếp kệ hàng khác nhau giữa các nhà bán lẻ, nên chúng thường không hoàn toàn phù hợp với điều kiện thực tế.
Việc tạo bộ dữ liệu tùy chỉnh phù hợp với môi trường cửa hàng mục tiêu thường là cần thiết để đảm bảo hiệu suất đáng tin cậy. Dữ liệu có thể được thu thập bằng cách sử dụng ảnh chụp kệ hàng từ camera trong cửa hàng hoặc thiết bị di động tại các địa điểm bán lẻ khác nhau.
Ngoài dữ liệu thực tế, các mô phỏng bố trí kệ hàng cũng có thể được sử dụng để tạo ra các kịch bản được kiểm soát. Việc kết hợp cả hai cho phép mô hình hoạt động đáng tin cậy hơn trong các môi trường cửa hàng khác nhau.
Việc nắm bắt các điều kiện thực tế khác nhau trong cửa hàng, chẳng hạn như sự thay đổi về bố cục, cách sắp xếp kệ, vị trí sản phẩm, ánh sáng, góc máy quay và cách tổ chức kệ, cũng rất quan trọng. Bằng cách thu thập dữ liệu đa dạng và thực tế, mô hình có thể học cách khái quát hóa trên nhiều cửa hàng và hỗ trợ phát hiện chính xác việc tuân thủ sơ đồ trưng bày sản phẩm trên quy mô lớn.
Sau khi dữ liệu được thu thập, bước tiếp theo là chú thích. Mỗi sản phẩm trong hình ảnh được gắn nhãn bằng cách vẽ các khung bao quanh nó để mô hình có thể học cách nhận biết các SKU khác nhau.
Khi dán nhãn, điều quan trọng là phải xác định rõ các nhóm sản phẩm. Việc này có thể được thực hiện ở các mức độ chi tiết khác nhau, tùy thuộc vào sơ đồ bố trí sản phẩm.
Ở cấp độ SKU, mỗi biến thể sản phẩm, chẳng hạn như nhãn hiệu, kích cỡ hoặc hương vị cụ thể, được dán nhãn riêng biệt. Ở cấp độ danh mục, các sản phẩm tương tự có thể được nhóm lại với nhau, chẳng hạn như tất cả các loại nước ngọt hoặc tất cả các loại đồ ăn nhẹ.
Các công cụ như Nền tảng Ultralytics , một môi trường toàn diện để quản lý tập dữ liệu, chú thích, huấn luyện và triển khai, có thể đơn giản hóa quy trình này. Nó hỗ trợ cả chú thích thủ công và gắn nhãn có sự hỗ trợ của AI, trong đó các mô hình có thể đề xuất các chú thích để được xem xét và tinh chỉnh, giúp cải thiện tốc độ và tính nhất quán.
Sau khi tập dữ liệu được chuẩn bị và gắn nhãn, bước tiếp theo là huấn luyện YOLO26 để detect sản phẩm trên kệ bán lẻ. Việc này có thể được thực hiện bằng cách sử dụng gói Python Ultralytics hoặc Ultralytics Nền tảng.
Cái Ultralytics Python Gói phần mềm này cung cấp sự linh hoạt trong việc xây dựng các quy trình tùy chỉnh và tích hợp đào tạo vào các quy trình làm việc hiện có. Tương tự, Ultralytics Nền tảng này cung cấp một môi trường thống nhất, nơi bạn có thể xử lý chú thích, quản lý tập dữ liệu, cấu hình huấn luyện, chạy thử nghiệm và theo dõi kết quả từ một bảng điều khiển duy nhất.
Nó cũng cung cấp dịch vụ điện toán đám mây. GPU Các tùy chọn triển khai hỗ trợ và đào tạo có khả năng mở rộng, giảm thiểu nhu cầu thiết lập cơ sở hạ tầng hoặc quản lý các phụ thuộc.
Trước khi bắt đầu huấn luyện, đây là một vài yếu tố quan trọng khác cần xem xét:
Sau khi quá trình huấn luyện hoàn tất, mô hình có thể được đánh giá bằng các chỉ số như độ chính xác, độ thu hồi và... mAP (Độ chính xác trung bình). Các chỉ số này cho phép bạn đo lường mức độ chính xác của mô hình trong việc phát hiện sản phẩm và khả năng tránh lỗi của nó.
Nếu hiệu năng của mô hình chưa đủ mạnh, có thể cải thiện tập dữ liệu và thiết lập huấn luyện. Điều này có thể bao gồm áp dụng kỹ thuật tăng cường dữ liệu, thêm nhiều hình ảnh đa dạng hơn hoặc cân bằng các lớp mà trong đó một số SKU xuất hiện ít thường xuyên hơn.
Bước tiếp theo sau khi huấn luyện và đánh giá mô hình là xây dựng logic thực hiện kiểm tra sự phù hợp của sơ đồ trưng bày sản phẩm. Điều này bao gồm việc cấu trúc dữ liệu kệ hàng và so sánh nó với bố cục dự kiến.
Dưới đây là tổng quan về cách thức hoạt động của quy trình này:
Sau khi xây dựng giải pháp tích hợp tính năng nhận diện sản phẩm và logic tuân thủ, bước tiếp theo là triển khai nó trong môi trường cửa hàng bán lẻ. Có một vài lựa chọn khác nhau cần xem xét khi tiến hành triển khai, tùy thuộc vào trường hợp sử dụng và cơ sở hạ tầng.
Một lựa chọn khác là triển khai mô hình trên các thiết bị biên, chẳng hạn như máy chủ trong cửa hàng hoặc phần cứng nhúng. Các hệ thống này được đặt gần camera để hình ảnh kệ hàng có thể được xử lý ngay tại chỗ, cho phép độ trễ thấp và giám sát thời gian thực.
Một lựa chọn khác là triển khai dựa trên điện toán đám mây, trong đó hình ảnh được gửi đến các máy chủ từ xa để xử lý. Điều này có thể giúp quản lý và mở rộng quy mô triển khai dễ dàng hơn trên nhiều địa điểm, đặc biệt khi cần giám sát tập trung.
Trong Ultralytics Trong hệ sinh thái này, có một số tùy chọn hỗ trợ các kịch bản triển khai khác nhau. Ví dụ, sử dụng Ultralytics Python Gói này cho phép xuất các mô hình YOLO26 đã được huấn luyện sang nhiều định dạng khác nhau, chẳng hạn như... ONNX , TensorRT , hoặc CoreML .
Điều này cho phép chạy các mô hình trên nhiều loại phần cứng khác nhau, bao gồm bộ xử lý đồ họa (GPU), bộ xử lý trung tâm (CPU), thiết bị di động và hệ thống nhúng, tùy thuộc vào nhu cầu triển khai.
Trong khi đó, Ultralytics Nền tảng này cung cấp các tùy chọn triển khai tích hợp giúp đơn giản hóa việc kiểm thử, tích hợp và triển khai sản phẩm. Các mô hình có thể được kiểm thử trực tiếp trên trình duyệt, tích hợp vào các ứng dụng bằng cách sử dụng API suy luận dùng chung hoặc triển khai đến các điểm cuối chuyên dụng để sử dụng trong môi trường sản xuất có khả năng mở rộng.
Nền tảng này cũng hỗ trợ xuất các mô hình để chạy trên các hệ thống bên ngoài hoặc thiết bị biên, giúp việc chuyển từ giai đoạn phát triển sang triển khai thực tế dễ dàng hơn. Ngoài ra, nền tảng này còn bao gồm các công cụ giám sát giúp... track hiệu năng sau khi triển khai và đảm bảo hoạt động đáng tin cậy theo thời gian.
Dưới đây là một số ưu điểm chính khi sử dụng YOLO26 để xây dựng hệ thống tuân thủ sơ đồ trưng bày sản phẩm:
Tuân thủ sơ đồ bố trí sản phẩm (planogram) là yếu tố quan trọng để duy trì vị trí sản phẩm chính xác và hoạt động bán lẻ nhất quán. Bằng cách kết hợp nhận diện sản phẩm với so sánh bố cục, các cửa hàng có thể giảm thiểu việc kiểm tra thủ công và kiểm tra kệ hàng chính xác hơn. Với các mô hình như YOLO26, các hệ thống này có thể được sử dụng trên nhiều cửa hàng và cũng có thể hỗ trợ đưa ra quyết định tốt hơn bằng cách sử dụng dữ liệu cấp cửa hàng.
Bạn muốn tích hợp trí tuệ nhân tạo thị giác vào các dự án của mình? Hãy tham gia cộng đồng năng động của chúng tôi và tìm hiểu về trí tuệ nhân tạo thị giác trong lĩnh vực bán lẻ và thị giác máy tính trong robot . Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm. Xem các tùy chọn cấp phép của chúng tôi để bắt đầu!
Bắt đầu hành trình của bạn với tương lai của học máy
