Sử dụng Ultralytics YOLO26 để phát hiện tuân thủ sơ đồ mặt bằng

Tất cả chúng ta đều từng bước vào cửa hàng để mua những món đồ như bánh mì hay ngũ cốc, dành vài phút quét mắt trên các kệ hàng, rồi nhận ra mình không thể tìm thấy chúng. Đôi khi chúng nằm sai vị trí, đôi khi đã hết hàng, và đôi khi chúng đơn giản là bị hòa lẫn với mọi thứ khác trên kệ.

Đối với các nhà bán lẻ, việc giữ sản phẩm ở đúng vị trí quan trọng hơn những gì ta nghĩ. Nó ảnh hưởng đến khả năng khách hàng tìm thấy sản phẩm và có tác động trực tiếp đến doanh số cũng như sự hài lòng chung của khách hàng. Để quản lý việc này, các cửa hàng sử dụng một bản đồ bày hàng (planogram), một sơ đồ đơn giản cho thấy mỗi sản phẩm nên được đặt ở đâu trên kệ.

Tuân thủ sơ đồ bày hàng là quy trình kiểm tra xem kệ hàng thực tế có khớp với bố cục dự kiến hay không. Ở nhiều cửa hàng, việc này vẫn được thực hiện thông qua các cuộc kiểm tra thủ công và danh sách kiểm tra, vốn rất tốn thời gian và thiếu nhất quán.

Hình 1. Một sơ đồ bày hàng so với kệ thực tế (realogram) cùng kết quả phát hiện tuân thủ (Nguồn)

Ngay cả những sai lệch nhỏ như SKU (mã đơn vị lưu kho) đặt nhầm chỗ, giá sai hoặc sản phẩm hết hàng cũng có thể tạo ra sự khác biệt. SKU là các mã duy nhất được sử dụng để xác định và theo dõi các biến thể sản phẩm riêng lẻ, chẳng hạn như các kích cỡ hoặc hương vị khác nhau. Những vấn đề này làm giảm tính sẵn có trên kệ và có thể dẫn đến mất doanh số.

Đó là lý do tại sao các nhà bán lẻ ngày càng chuyển sang computer vision và nhận dạng hình ảnh. Các công nghệ AI này có thể phân tích hình ảnh kệ hàng được chụp từ camera tại cửa hàng, tự động phát hiện sản phẩm và kiểm tra xem chúng có được đặt đúng chỗ hay không. Các model Vision AI như Ultralytics YOLO26 giúp quy trình này trở nên nhanh chóng, chính xác và thiết thực để sử dụng trong môi trường cửa hàng thực tế.

Trong bài viết này, chúng ta sẽ tìm hiểu cách xây dựng một hệ thống phát hiện tuân thủ sơ đồ bày hàng sử dụng Ultralytics YOLO26. Hãy bắt đầu thôi!

Link to this sectionTuân thủ sơ đồ bày hàng là gì?#

Tuân thủ sơ đồ bày hàng giúp duy trì sự nhất quán cho bố cục cửa hàng, hỗ trợ định giá và quảng cáo chính xác, cải thiện inventory management, và giúp khách hàng tìm thấy sản phẩm trên kệ dễ dàng hơn.

Nó đề cập đến việc sắp xếp các sản phẩm theo một bố cục được định nghĩa trước hoặc một sơ đồ bày hàng. Bố cục này xác định nơi mỗi sản phẩm nên được đặt, số lượng mặt hàng (facings) cần có (số lượng sản phẩm được đặt ở phía trước kệ và hiển thị cho khách hàng), và sản phẩm nào nên được đặt cạnh nhau.

Cả nhà bán lẻ và các thương hiệu hàng tiêu dùng đóng gói (CPG) đều dựa vào sơ đồ bày hàng. Các nhà bán lẻ sử dụng chúng để sắp xếp kệ hàng và duy trì sự 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 khả năng hiển thị phù hợp.

Hình 2. Cái nhìn về một sơ đồ bày hàng khớp với bố cục kệ thực tế (Nguồn)

Quy trình kiểm tra sơ đồ bày hàng liên quan đến việc so sánh một kệ hàng thực tế với bố cục dự kiến. Điều này bao gồm việc kiểm tra xem đúng SKU có ở đúng vị trí hay không và số lượng mặt hàng yêu cầu có được duy trì hay không.

Bạn có thể tự hỏi liệu việc đặt một sản phẩm trên kệ có thực sự tạo ra sự khác biệt hay không. Nhưng khi các sản phẩm trông giống nhau, ngay cả những lỗi đặt sai nhỏ cũng có thể khiến các mặt hàng khó tìm hơn hoặc làm khách hàng bối rối.

Điều này có thể ảnh hưởng đến độ chính xác về giá và quyết định của khách hàng. Duy trì việc tuân thủ giúp các kệ hàng được ngăn nắp và nâng cao trải nghiệm khách hàng.

Link to this sectionSử dụng computer vision để tuân thủ sơ đồ bày hàng#

Theo truyền thống, các retail stores đã duy trì việc tuân thủ sơ đồ bày hàng thông qua kiểm tra thủ công và danh sách kiểm tra. Nhân viên cửa hàng kiểm tra bố cục kệ, xác minh vị trí sản phẩm và số lượng mặt hàng, rồi ghi lại các quan sát.

Tuy nhiên, quy trình này có thể tốn thời gian, khó mở rộng trên nhiều cửa hàng và thường dẫn đến sự thiếu nhất quán trong cách thức thực hiện kiểm tra. Ngành bán lẻ đang nhanh chóng áp dụng computer vision, một lĩnh vực của trí tuệ nhân tạo cho phép các hệ thống phân tích và hiểu hình ảnh, để xử lý các kiểm tra tuân thủ này tốt hơn.

Các hệ thống này sử dụng camera để chụp hình ảnh kệ hàng và xử lý chúng bằng các model đã được huấn luyện để nhận dạng từng sản phẩm riêng lẻ. Các model computer vision như Ultralytics YOLO26 hỗ trợ các tác vụ thị giác như object detection và instance segmentation, giúp xác định và định vị chính xác sản phẩm trên các kệ hàng bán lẻ.

Hình 3. Một ví dụ về việc sử dụng YOLO26 để phát hiện và phân đoạn sản phẩm trên kệ bán lẻ (Nguồn)

Việc sử dụng YOLO26 cho trường hợp này cũng rất đơn giản, vì nó có sẵn dưới dạng model đã được huấn luyện trước (pretrained model), cung cấp một điểm khởi đầu vững chắc, 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 các phát hiện này, một hệ thống phát hiện tuân thủ sơ đồ bày hàng có thể lập bản đồ các vị trí sản phẩm trên kệ và so sánh chúng với các bố cục dự kiến. Với cách tiếp cận này, các nhà bán lẻ có thể vượt ra khỏi các bước kiểm tra thủ công và giám sát các kệ hàng liên tục ở cấp độ cửa hàng.

Họ có thể phát hiện các sản phẩm ở cấp độ SKU, xác định các lỗi đặt sai và cải thiện tính sẵn có trên kệ cũng như hiệu quả thực thi tổng thể.

Link to this sectionTìm hiểu cách thức hoạt động của phát hiện tuân thủ sơ đồ bày hàng bằng AI#

Trước khi chúng ta đi sâu vào cách sử dụng YOLO26 để phát hiện tuân thủ sơ đồ bày hàng, hãy lùi lại một bước để hiểu cách thức phát hiện sản phẩm và so sánh bố cục kết hợp với nhau trong các hệ thống này như thế nào.

Một hệ thống tuân thủ sơ đồ bày hàng thường hoạt động theo hai giai đoạn chính. Đầu tiên, một model như Ultralytics YOLO26 phân tích hình ảnh kệ hàng để phát hiện và phân loại sản phẩm. Cùng với mỗi kết quả phát hiện, model cung cấp thông tin vị trí cho thấy mỗi sản phẩm xuất hiện ở đâu trên kệ.

Tiếp theo, các kết quả phát hiện này được sắp xếp thành một bố cục kệ có cấu trúc. Các sản phẩm được nhóm dựa trên vị trí của chúng, thường là theo các hàng kệ, để phản ánh cách các mặt hàng được sắp xếp trong thế giới thực.

Hình 4. YOLO26 có thể cho phép tuân thủ sơ đồ bày hàng. (Nguồn)

Bố cục có cấu trúc này sau đó được so sánh với sơ đồ bày hàng dự kiến. Hệ thống kiểm tra xem đúng SKU có ở đúng vị trí hay không, số lượng mặt hàng yêu cầu có được duy trì hay không, và liệu có bất kỳ sản phẩm nào bị thiếu hoặc đặt sai chỗ hay không.

Bằng cách kết hợp phát hiện sản phẩm với so sánh bố cục, hệ thống có thể xác định sự khác biệt giữa sự sắp xếp trên kệ thực tế và dự kiến. Các 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 các nhóm tại cửa hàng nhanh chóng nắm bắt các vấn đề, thực hiện hành động khắc phục và duy trì sự thực thi nhất quán tại điểm bán một cách liền mạch.

Link to this sectionChuẩn bị một dataset để xây dựng hệ thống tuân thủ sơ đồ bày hàng#

Bước đầu tiên trong việc xây dựng hệ thống tuân thủ sơ đồ bày hàng là chuẩn bị một dataset có 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 suất của model.

Các dataset công khai cũng có thể được sử dụng làm điểm khởi đầu. Tuy nhiên, vì bố cục cửa hàng, danh mục sản phẩm và sự sắp xếp kệ hàng khác nhau giữa các nhà bán lẻ, chúng thường không hoàn toàn khớp với các điều kiện thực tế.

Việc tạo ra một dataset tùy chỉnh phù hợp với môi trường cửa hàng mục tiêu thường là cần thiết để đạt được hiệu suất đáng tin cậy. Dữ liệu có thể được thu thập bằng cách sử dụng ảnh kệ hàng từ camera tại cửa hàng hoặc thiết bị di động trên các địa điểm bán lẻ khác nhau.

Ngoài dữ liệu thực tế, các thiết lập kệ hàng giả lập có thể được sử dụng để tạo ra các tình huống có kiểm soát. Kết hợp cả hai giúp một model hoạt động đáng tin cậy hơn trên các môi trường cửa hàng khác nhau.

Việc ghi lại các điều kiện cửa hàng thực tế khác nhau, chẳng hạn như thay đổi về bố cục, sắp xếp kệ, vị trí sản phẩm, ánh sáng, góc camera và tổ chức kệ hàng cũng rất quan trọng. Bằng cách thu thập dữ liệu đa dạng và thực tế, model có thể học cách khái quát hóa giữa các cửa hàng và hỗ trợ phát hiện tuân thủ sơ đồ bày hàng chính xác trên quy mô lớn.

Link to this sectionTổng quan về việc dán nhãn dataset bán lẻ#

Sau khi dữ liệu được thu thập, bước tiếp theo là chú thích (annotation). Mỗi sản phẩm trong hình ảnh được dán nhãn bằng cách vẽ các bounding box xung quanh nó để model có thể học cách nhận dạng các SKU khác nhau.

Trong khi dán nhãn, việc xác định các lớp (classes) rõ ràng là rất quan trọng. Điều này có thể được thực hiện ở các mức độ chi tiết khác nhau, tùy thuộc vào sơ đồ bày hàng.

Ở cấp độ SKU, mỗi biến thể sản phẩm, chẳng hạn như một thương hiệu, kích cỡ hoặc hương vị cụ thể, được dán nhãn riêng. Ở cấp độ danh mục, các sản phẩm tương tự có thể được nhóm lại với nhau, chẳng hạn như tất cả đồ uống có ga hoặc tất cả đồ ăn nhẹ.

Các công cụ như Ultralytics Platform, một môi trường toàn diện để quản lý dataset, chú thích, huấn luyện và triển khai, có thể đơn giản hóa quy trình này. Nền tảng này hỗ trợ cả việc dán nhãn thủ công và dán nhãn hỗ trợ bởi AI, nơi các model có thể đề xuất các chú thích để được xem xét và tinh chỉnh, giúp cải thiện tốc độ và tính nhất quán.

Link to this sectionHuấn luyện Ultralytics YOLO26 để phát hiện sản phẩm#

Sau khi dataset được chuẩn bị và dán nhãn, bước tiếp theo là huấn luyện YOLO26 để phát hiện sản phẩm trên kệ bán lẻ. Việc này có thể được thực hiện bằng Ultralytics Python package hoặc Ultralytics Platform.

Ultralytics Python package mang lại sự linh hoạt để xây dựng các đường ống tùy chỉnh và tích hợp việc huấn luyện vào các quy trình hiện có. Tương tự, Ultralytics Platform cung cấp một môi trường thống nhất nơi bạn có thể xử lý chú thích, quản lý dataset, cấu hình huấn luyện, chạy thử nghiệm và giám sát kết quả từ một bảng điều khiển duy nhất.

Nền tảng này cũng cung cấp các tùy chọn GPU đám mây để huấn luyện có thể mở rộng và hỗ trợ triển khai, giúp giảm bớt 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 chính khác cần xem xét:

• Dataset split: Dataset nên được chia thành các tập huấn luyện, xác thực và kiểm thử. Điều này giúp đánh giá mức độ khái quát hóa của model trên dữ liệu mới và tránh overfitting.
• Model selection: Các model YOLO26 có nhiều kích cỡ khác nhau, cho phép bạn cân bằng giữa tốc độ và độ chính xác dựa trên nhu cầu triển khai của mình.
• Training configuration: Các tham số như batch size, kích thước hình ảnh và số lượng epoch có thể ảnh hưởng đến cả tốc độ huấn luyện và hiệu suất của model.

Sau khi huấn luyện xong, model có thể được đánh giá bằng các chỉ số như precision, recall và mAP (mean average precision). Các chỉ số này cho phép bạn đo lường mức độ chính xác của model trong việc phát hiện sản phẩm và mức độ tránh các lỗi sai.

Nếu hiệu suất của model chưa đủ tốt, dataset và thiết lập huấn luyện có thể được cải thiện. Điều này có thể bao gồm việc áp dụng data augmentation, thêm nhiều hình ảnh đa dạng hơn, hoặc cân bằng lại các lớp nơi một số SKU xuất hiện ít thường xuyên hơn.

Link to this sectionTích hợp logic tuân thủ sơ đồ bày hàng#

Bước tiếp theo sau khi huấn luyện và đánh giá model là xây dựng logic thực hiện các kiểm tra tuân thủ sơ đồ bày hàng. Điều này liên quan đến việc cấu trúc dữ liệu kệ hàng và so sánh nó với bố cục dự kiến.

Dưới đây là tổng quan về cách quy trình này hoạt động:

• Xác định bố cục kệ dự kiến: Đầu tiên, bố cục kệ dự kiến được xác định bằng sơ đồ bày hàng và được biểu diễn dưới dạng một lưới có cấu trúc với các hàng và cột. Mỗi vị trí trong lưới tương ứng với một SKU cụ thể, phản ánh cách sản phẩm nên được sắp xếp trên không gian kệ.
• Tổ chức các sản phẩm được phát hiện: Sau đó, các phát hiện của model được sắp xếp dựa trên vị trí của chúng trên kệ. Sử dụng tọa độ, các sản phẩm được phân loại và nhóm thành các hàng kệ, chuyển đổi các kết quả phát hiện thô thành một bố cục có cấu trúc phản ánh sự sắp xếp kệ thực tế.
• So sánh bố cục dự kiến và thực tế: Tiếp theo, bố cục kệ có cấu trúc được so sánh với sơ đồ bày hàng dự kiến để xác định sự khác biệt. Nếu một sản phẩm được phát hiện không khớp với SKU dự kiến, nó được đánh dấu là đặt sai vị trí. Nếu một sản phẩm bị thiếu ở một vị trí, nó được gắn cờ là bị thiếu. Bước này cũng có thể được sử dụng để xác minh xem số lượng mặt hàng yêu cầu có được duy trì hay không.
• Tạo kết quả tuân thủ: Cuối cùng, một báo cáo tuân thủ cho mỗi kệ có thể được tạo ra, làm nổi bật sự không tuân thủ, sai lệch và các điểm bất thường. Các kết quả này có thể được chia sẻ thông qua các bảng điều khiển để giúp các nhóm nhanh chóng xác định và giải quyết các vấn đề.

Link to this sectionTriển khai model thị giác cho tuân thủ sơ đồ bày hàng#

Sau khi xây dựng một giải pháp tích hợp phát hiện sản phẩm và logic tuân thủ, bước tiếp theo là triển khai nó trong môi trường cửa hàng bán lẻ. Có một vài tùy chọn khác nhau cần xem xét khi triển khai, tùy thuộc vào trường hợp sử dụng và cơ sở hạ tầng.

Một tùy chọn là triển khai model trên các thiết bị biên (edge devices), chẳng hạn như máy chủ tại cửa hàng hoặc phần cứng nhúng. Các hệ thống này được đặt gần camera để hình ảnh kệ hàng có thể được xử lý tại nơi chúng được ghi lại, cho phép độ trễ thấp và giám sát theo thời gian thực.

Một tùy chọn khác là triển khai dựa trên đám mây, nơi hình ảnh được gửi đến các máy chủ từ xa để xử lý. Điều này có thể giúp quản lý và mở rộng việc triển khai trên nhiều địa điểm dễ dàng hơn, đặc biệt khi cần giám sát tập trung.

Trong hệ sinh thái Ultralytics, có một số tùy chọn hỗ trợ các kịch bản triển khai khác nhau này. Ví dụ, sử dụng Ultralytics Python package, các models YOLO26 đã huấn luyện có thể được xuất ra các định dạng khác nhau như ONNX, TensorRT hoặc CoreML.

Điều này giúp bạn có thể chạy các model trên nhiều loại phần cứng, bao gồm GPU, CPU, thiết bị di động và các hệ thống nhúng, tùy thuộc vào nhu cầu triển khai.

Trong khi đó, Ultralytics Platform cung cấp các tùy chọn triển khai tích hợp giúp đơn giản hóa việc thử nghiệm, tích hợp và triển khai sản xuất. Các model có thể được thử nghiệm trực tiếp trong trình duyệt, tích hợp vào các ứng dụng bằng cách sử dụng các API inference chia sẻ hoặc triển khai đến các endpoint chuyên dụng cho mục đích sản xuất có thể mở rộng.

Nền tảng này cũng hỗ trợ xuất các model để chạy trên các hệ thống bên ngoài hoặc thiết bị biên, giúp việc di chuyển từ phát triển sang triển khai thực tế trở nên dễ dàng hơn. Ngoài ra, nền tảng còn bao gồm các công cụ giám sát giúp theo dõi hiệu suất sau khi triển khai và đảm bảo hoạt động đáng tin cậy theo thời gian.

Link to this sectionLợi ích của việc sử dụng Vision AI để phát hiện tuân thủ sơ đồ bày hàng#

Dưới đây là một số lợi thế chính của việc sử dụng YOLO26 để xây dựng hệ thống tuân thủ sơ đồ bày hàng:

• Thích ứng với các môi trường bán lẻ khác nhau: YOLO26 có thể được huấn luyện lại hoặc tinh chỉnh trên dữ liệu mới, giúp nó thích ứng với các bố cục cửa hàng, danh mục sản phẩm và các biến thể khu vực khác nhau.
• Tối ưu hóa việc ra quyết định dựa trên dữ liệu: Dữ liệu tuân thủ có thể được tổng hợp trên các cửa hàng để xác định xu hướng, đo lường hiệu suất và cải thiện chiến lược bán lẻ.
• Giám sát liên tục thời gian thực: YOLO26 được tối ưu hóa cho inference có độ trễ thấp, cho phép phân tích liên tục hình ảnh kệ hàng và phát hiện theo thời gian thực các thay đổi về vị trí sản phẩm trên các thiết bị biên.
• Tích hợp với các hệ thống bán lẻ: Một hệ thống phát hiện tuân thủ sơ đồ bày hàng được hỗ trợ bởi YOLO26 có thể được tích hợp với các hệ thống tồn kho, POS (điểm bán hàng), hoặc các hệ thống phân tích để cung cấp cái nhìn đầy đủ hơn về hiệu suất cửa hàng.

Link to this sectionCác điểm chính cần lưu ý#

Tuân thủ sơ đồ bày hàng rất quan trọng để duy trì việc đặt sản phẩm chính xác và các hoạt động bán lẻ nhất quán. Bằng cách kết hợp phát hiện sản phẩm với so sánh bố cục, các cửa hàng có thể giảm bớt các cuộc kiểm tra thủ công và kiểm tra kệ hàng chính xác hơn. Với các model như YOLO26, các hệ thống như vậy có thể được sử dụng trên nhiều cửa hàng và cũng có thể hỗ trợ các quyết định tốt hơn bằng cách sử dụng dữ liệu cấp cửa hàng.

Bạn muốn đưa Vision AI vào các dự án của mình? Hãy tham gia cộng đồng năng động của chúng tôi và tìm hiểu về Vision AI trong bán lẻ và computer vision trong robot. Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm. Hãy xem các tùy chọn cấp phép của chúng tôi để bắt đầu!