Sử dụng Ultralytics YOLO26 để phát hiện việc tuân thủ sơ đồ trưng bày

Hẳn ai trong chúng ta cũng từng vào cửa hàng mua thứ gì đó như bánh mì hoặc ngũ cốc, mất vài phút tìm trên các kệ hàng rồi nhận ra mình không thể tìm thấy món đồ đó. Đôi khi món hàng nằm sai chỗ, đôi khi đã hết hàng, còn đôi khi nó chỉ đơn giản là lẫn vào những món khác trên kệ.

Đối với nhà bán lẻ, việc đặt sản phẩm đúng vị trí quan trọng hơn nhiều người nghĩ. Điều này ảnh hưởng đến mức độ dễ dàng để khách hàng tìm thấy mặt hàng và có thể tác động trực tiếp đến doanh số cũng như sự hài lòng chung của khách hàng. Để quản lý việc này, cửa hàng sử dụng sơ đồ trưng bày, một bố cục đơn giản cho biết vị trí cần đặt từng sản phẩm trên kệ.

Kiểm tra tuân thủ sơ đồ trưng bày là quy trình xác định liệu bố trí kệ 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, vốn có thể tốn thời gian và thiếu nhất quán.

Hình 1. Sơ đồ trưng bày so với kệ hàng thực tế (realogram), cùng kết quả phát hiện mức độ tuân thủ (Nguồn)

Ngay cả những sai lệch nhỏ như SKU (mã đơn vị lưu kho) đặt sai vị trí, giá không chính xác hoặc sản phẩm hết hàng cũng có thể tạo ra khác biệt. SKU là mã duy nhất dùng để nhận diện và theo dõi từng biến thể sản phẩm riêng lẻ, chẳng hạn như các kích cỡ hoặc hương vị khác nhau. Những vấn đề này làm giảm khả năng có hàng trên kệ và có thể dẫn đến mất doanh số.

Đó là lý do các nhà bán lẻ ngày càng chuyển sang sử dụng thị giác máy tính và nhận diện hình ảnh. Các công nghệ AI này có thể phân tích ảnh kệ hàng được chụp bằng camera trong cửa hàng, tự động phát hiện sản phẩm và kiểm tra xem chúng có được đặt đúng vị trí hay không. Các model AI thị giác như Ultralytics YOLO26 giúp quy trình này nhanh, chính xác và thiết thực trong môi trường cửa hàng thực tế.

Trong bài viết này, chúng ta sẽ hướng dẫn cách xây dựng hệ thống phát hiện mức độ tuân thủ sơ đồ trưng bày bằng Ultralytics YOLO26. Bắt đầu nào!

Tuân thủ sơ đồ trưng bày là gì?#

Việc tuân thủ sơ đồ trưng bày 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 tìm sản phẩm trên kệ hơn.

Khái niệm này đề cập đến việc sắp xếp sản phẩm theo bố cục được xác định trước hoặc theo sơ đồ trưng bày. Bố cục này xác định vị trí cần đặt từng sản phẩm, số lượng mặt hàng cần trưng ra phía trước (số sản phẩm đặt ở mặt trước kệ và khách hàng có thể nhìn thấy) cũng như những sản phẩm nào cần được đặt cạnh nhau.

Các nhà bán lẻ và thương hiệu hàng tiêu dùng đóng gói (CPG) đều dựa vào sơ đồ trưng bày. Nhà bán lẻ dùng sơ đồ để sắp xếp kệ và duy trì tính nhất quán giữa các cửa hàng, còn thương hiệu CPG dùng sơ đồ để đảm bảo sản phẩm được trưng bày đúng cách và có độ hiển thị phù hợp.

Hình 2. Sơ đồ trưng bày khớp với bố cục kệ hàng thực tế (Nguồn)

Quy trình kiểm tra sơ đồ trưng bày bao gồm việc so sánh kệ hàng thực tế với bố cục dự kiến. Quy trình này kiểm tra xem các SKU chính xác có nằm đúng vị trí hay không và số lượng mặt hàng cần trưng bày có được duy trì hay không.

Bạn có thể tự hỏi liệu vị trí đặt sản phẩm trên kệ có thực sự tạo ra khác biệt hay không. Nhưng khi các sản phẩm trông giống nhau, ngay cả lỗi sắp xếp nhỏ cũng có thể khiến khách hàng khó tìm mặt hàng hơn hoặc gây nhầm lẫn.

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

Ứng dụng thị giác máy tính để kiểm tra tuân thủ planogram#

Theo truyền thống, các cửa hàng bán lẻ duy trì việc tuân thủ planogram thông qua các đợt kiểm tra thủ công và danh sách kiểm tra. Nhân viên cửa hàng kiểm tra cách bố trí kệ, xác minh vị trí và số mặt trưng bày của sản phẩm, rồi ghi lại các quan sát.

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

Các hệ thống này sử dụng camera để chụp ảnh kệ hàng, sau đó xử lý ảnh bằng các model đã huấn luyện nhằm nhận diện từng sản phẩm. Các model thị giác máy tính như Ultralytics YOLO26 hỗ trợ những tác vụ thị giác như phát hiện đối tượng và phân đoạn instance, giúp xác định chính xác sản phẩm và vị trí của sản phẩm trên kệ bán lẻ.

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

Việc sử dụng Ultralytics YOLO26 cho trường hợp này cũng rất đơn giản vì model có sẵn ở dạng pretrained, cung cấp nền tảng khởi đầu vững chắc và có thể được huấn luyện tùy chỉnh trên dữ liệu kệ bán lẻ để nhận diện các sản phẩm cụ thể.

Dựa trên các kết quả phát hiện này, hệ thống phát hiện tuân thủ planogram có thể lập bản đồ vị trí sản phẩm trên kệ và so sánh với cách bố trí dự kiến. Với cách tiếp cận này, nhà bán lẻ có thể vượt ra ngoài việc kiểm tra thủ công và giám sát liên tục kệ hàng ở cấp cửa hàng.

Họ có thể phát hiện sản phẩm ở cấp SKU, xác định lỗi bố trí và cải thiện mức độ sẵn có của sản phẩm trên kệ cũng như hiệu quả triển khai tổng thể.

Tìm hiểu cách thức hoạt động của hệ thống phát hiện tuân thủ planogram ứng dụng AI#

Trước khi tìm hiểu cách sử dụng Ultralytics YOLO26 để phát hiện việc tuân thủ planogram, hãy cùng lùi lại một bước để hiểu cách phát hiện sản phẩm và so sánh bố cục phối hợp với nhau trong các hệ thống này.

Hệ thống tuân thủ planogram thường hoạt động qua hai giai đoạn chính. Đầu tiên, một model như Ultralytics YOLO26 phân tích ảnh kệ hàng để phát hiện và phân loại sản phẩm. Cùng với mỗi đối tượng được phát hiện, model cung cấp thông tin vị trí cho biết từng sản phẩm xuất hiện ở đâu trên kệ.

Tiếp theo, các kết quả phát hiện này được sắp xếp thành bố cục kệ có cấu trúc. Sản phẩm được nhóm dựa trên vị trí, thường theo từng hàng kệ, để phản ánh cách sắp xếp hàng hóa trong thực tế.

Hình 4. Ultralytics YOLO26 có thể hỗ trợ tuân thủ planogram. (Nguồn)

Sau đó, bố cục có cấu trúc này được so sánh với planogram dự kiến. Hệ thống kiểm tra xem các SKU chính xác có nằm đúng vị trí hay không, số mặt trưng bày theo yêu cầu có được duy trì hay không, và có sản phẩm nào bị thiếu hoặc đặt sai vị trí hay không.

Bằng cách kết hợp phát hiện sản phẩm với so sánh bố cục, hệ thống có thể xác định khác biệt giữa cách sắp xếp kệ dự kiến và thực tế. Kết quả có thể được trình bày dưới dạng báo cáo tuân thủ hoặc dashboard nêu bật các vấn đề ở cấp cửa hàng.

Nhờ đó, đội ngũ cửa hàng có thể dễ dàng hiểu nhanh vấn đề, thực hiện hành động khắc phục và duy trì hoạt động bán lẻ nhất quán.

Chuẩn bị dataset để xây dựng hệ thống tuân thủ planogram#

Bước đầu tiên để xây dựng hệ thống tuân thủ planogram là chuẩn bị một dataset có cấu trúc tốt. Việc này bao gồm thu thập ảnh kệ hàng từ nhiều môi trường bán lẻ khác nhau. Chất lượng và tính đa dạng của dữ liệu ảnh hưởng trực tiếp đến hiệu suất của model.

Dataset công khai cũng có thể được dùng làm điểm khởi đầu. Tuy nhiên, vì cách bố trí cửa hàng, danh mục sản phẩm và cách sắp xếp kệ khác nhau giữa các nhà bán lẻ, các dataset này thường không hoàn toàn phản ánh điều kiện thực tế.

Thông thường, cần tạo dataset tùy chỉnh phù hợp với môi trường cửa hàng mục tiêu để đạt hiệu suất đáng tin cậy. Có thể thu thập dữ liệu bằng ảnh kệ chụp từ camera trong cửa hàng hoặc thiết bị di động tại nhiều địa điểm bán lẻ khác nhau.

Ngoài dữ liệu thực tế, có thể sử dụng các bố trí kệ mô phỏng để tạo ra những tình huống có kiểm soát. Việc kết hợp cả hai giúp model hoạt động đáng tin cậy hơn trong nhiều môi trường cửa hàng khác nhau.

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

Tổng quan về cách gán nhãn dataset bán lẻ#

Sau khi thu thập dữ liệu, bước tiếp theo là gán nhãn. Mỗi sản phẩm trong ảnh được gán nhãn bằng cách vẽ bounding box quanh sản phẩm để model có thể học cách nhận diện các SKU khác nhau.

Khi gán nhãn, điều quan trọng là phải xác định các class rõ ràng. Có thể thực hiện việc này ở nhiều mức độ chi tiết, tùy theo planogram.

Ở cấp SKU, từng biến thể sản phẩm, chẳng hạn như một thương hiệu, kích cỡ hoặc hương vị cụ thể, được gán nhãn riêng. Ở cấp danh mục, có thể nhóm các sản phẩm tương tự với nhau, chẳng hạn như tất cả nước ngọt hoặc tất cả đồ ăn nhẹ.

Các công cụ như Ultralytics Platform, một môi trường đầu-cuối để quản lý dataset, gán nhãn, huấn luyện và triển khai, có thể đơn giản hóa quy trình này. Nền tảng hỗ trợ cả gán nhãn thủ công lẫn gán nhãn có AI hỗ trợ, trong đó model có thể đề xuất nhãn để người dùng xem xét và tinh chỉnh, góp phần cải thiện tốc độ và tính nhất quán.

Huấn luyện Ultralytics YOLO26 để phát hiện sản phẩm#

Sau khi chuẩn bị và gán nhãn dataset, bước tiếp theo là huấn luyện YOLO26 để phát hiện sản phẩm trên kệ bán lẻ. Có thể thực hiện việc này bằng gói Python của Ultralytics hoặc Ultralytics Platform.

Gói Python của Ultralytics mang lại sự linh hoạt để xây dựng pipeline tùy chỉnh và tích hợp quá trình huấn luyện vào các workflow hiện có. Tương tự, Ultralytics Platform cung cấp một môi trường hợp nhất, nơi bạn có thể thực hiện gán nhãn, quản lý dataset, cấu hình huấn luyện, chạy thử nghiệm và theo dõi kết quả từ một dashboard duy nhất.

Nền tảng cũng cung cấp các tùy chọn GPU đám mây để huấn luyện có khả năng mở rộng và hỗ trợ triển khai, giảm nhu cầu thiết lập hạ tầng hoặc quản lý dependency.

Trước khi bắt đầu huấn luyện, dưới đây là một số yếu tố quan trọng khác cần cân nhắc:

• Chia dataset: Dataset nên được chia thành các tập huấn luyện, validation và kiểm thử. Việc này giúp đánh giá khả năng tổng quát hóa của model trên dữ liệu mới và tránh overfitting.
• Lựa chọn model: Các model Ultralytics YOLO26 có nhiều kích thước khác nhau, cho phép bạn cân bằng tốc độ và độ chính xác dựa trên nhu cầu triển khai.
• Cấu hình huấn luyện: Các tham số như batch size, kích thước ảnh và số epoch có thể ảnh hưởng đến cả tốc độ huấn luyện lẫn hiệu suất của model.

Sau khi hoàn tất huấn luyện, có thể đánh giá model bằng các metric như precision, recall và mAP (độ chính xác trung bình). Các metric này giúp đo lường mức độ chính xác khi model phát hiện sản phẩm và khả năng tránh lỗi của model.

Nếu hiệu suất của model chưa đủ tốt, có thể cải thiện dataset và cấu hình huấn luyện. Các biện pháp có thể bao gồm áp dụng tăng cường dữ liệu, bổ sung thêm ảnh đa dạng hoặc cân bằng các class khi một số SKU xuất hiện ít hơn.

Tích hợp logic tuân thủ planogram#

Bước tiếp theo sau khi huấn luyện và đánh giá model là xây dựng logic thực hiện kiểm tra tuân thủ planogram. Việc này bao gồm tổ chức dữ liệu kệ hàng và so sánh dữ liệu với bố cục dự kiến.

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

• Xác định bố cục kệ dự kiến: Trước tiên, xác định bố cục kệ dự kiến dựa trên planogram và biểu diễn bố cục đó dưới dạng lưới có cấu trúc gồm các hàng và cột. Mỗi vị trí trong lưới tương ứng với một SKU cụ thể, phản ánh cách sắp xếp sản phẩm trên không gian kệ.
• Sắp xếp sản phẩm được phát hiện: Tiếp theo, sắp xếp các đối tượng model phát hiện dựa trên vị trí của chúng trên kệ. Dùng tọa độ để sắp xếp và nhóm sản phẩm thành các hàng kệ, chuyển các kết quả phát hiện thô thành bố cục có cấu trúc phản ánh cách sắp xếp thực tế trên kệ.
• So sánh bố cục dự kiến và thực tế: Tiếp theo, so sánh bố cục kệ có cấu trúc với planogram dự kiến để xác định khác biệt. Nếu sản phẩm được phát hiện không khớp với SKU dự kiến, sản phẩm đó được đánh dấu là đặt sai vị trí. Nếu thiếu sản phẩm ở một vị trí, hệ thống sẽ đánh dấu là bị thiếu. Bước này cũng có thể được dùng để xác minh số mặt trưng bày theo yêu cầu có được duy trì hay không.
• Tạo kết quả tuân thủ: Cuối cùng, có thể tạo báo cáo tuân thủ cho từng kệ, nêu bật tình trạng không tuân thủ, sai lệch và chênh lệch. Có thể chia sẻ các kết quả này qua dashboard để giúp đội ngũ nhanh chóng xác định và xử lý vấn đề.

Triển khai model thị giác để kiểm tra tuân thủ planogram#

Sau khi xây dựng giải pháp tích hợp phát hiện sản phẩm và logic tuân thủ, bước tiếp theo là triển khai giải pháp trong môi trường cửa hàng bán lẻ. Có một số phương án triển khai cần cân nhắc tùy theo trường hợp sử dụng và hạ tầng.

Một phương án là triển khai model trên các thiết bị edge, chẳng hạn như server trong cửa hàng hoặc phần cứng nhúng. Các hệ thống này được đặt gần camera để xử lý ảnh kệ ngay tại nơi ảnh được ghi lại, giúp giảm độ trễ và hỗ trợ giám sát theo thời gian thực.

Một phương án khác là triển khai trên đám mây, trong đó ảnh được gửi đến server từ xa để xử lý. Cách này có thể giúp quản lý và mở rộng quy mô triển khai tại 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 tình huống triển khai khác nhau. Ví dụ, khi sử dụng gói Python của Ultralytics, bạn có thể xuất model YOLO26 đã huấn luyện sang nhiều định dạng như ONNX, TensorRT hoặc CoreML.

Nhờ đó, có thể chạy model trên nhiều loại phần cứng, bao gồm bộ xử lý đồ họa (GPUs), bộ xử lý trung tâm (CPUs), thiết bị di động và hệ thống nhúng, tùy theo nhu cầu triển khai.

Trong khi đó, Ultralytics Platform cung cấp sẵn các tùy chọn triển khai giúp đơn giản hóa việc kiểm thử, tích hợp và triển khai production. Có thể kiểm thử model trực tiếp trong trình duyệt, tích hợp model vào ứng dụng bằng các API suy luận dùng chung hoặc triển khai lên endpoint chuyên dụng để sử dụng trong môi trường production có khả năng mở rộng.

Nền tảng cũng hỗ trợ xuất model để chạy trên các hệ thống bên ngoài hoặc thiết bị edge, giúp chuyển từ phát triển sang triển khai thực tế dễ dàng hơn. Ngoài ra, nền tảng còn có các công cụ giám sát giúp theo dõi hiệu suất sau triển khai và đảm bảo hoạt động ổn định theo thời gian.

Lợi ích của việc ứng dụng AI thị giác để phát hiện tuân thủ planogram#

Dưới đây là một số ưu điểm chính của việc sử dụng Ultralytics YOLO26 để xây dựng hệ thống tuân thủ planogram:

• Thích ứng với nhiều môi trường bán lẻ: Có thể huấn luyện lại hoặc fine-tune Ultralytics YOLO26 trên dữ liệu mới, giúp model thích ứng với các cách bố trí cửa hàng, danh mục sản phẩm và khác biệt theo vùng miền.
• Tối ưu hóa việc ra quyết định dựa trên dữ liệu: Có thể tổng hợp dữ liệu tuân thủ giữa các cửa hàng để xác định xu hướng, đo lường hiệu suất và cải thiện chiến lược bán lẻ.
• Giám sát liên tục theo thời gian thực: Ultralytics YOLO26 được tối ưu cho suy luận có độ trễ thấp, cho phép phân tích liên tục ảnh kệ và phát hiện thay đổi vị trí sản phẩm trên thiết bị edge theo thời gian thực.
• Tích hợp với hệ thống bán lẻ: Hệ thống phát hiện tuân thủ planogram sử dụng Ultralytics YOLO26 có thể được tích hợp với các hệ thống quản lý tồn kho, POS (điểm bán hàng) hoặc phân tích để cung cấp cái nhìn toàn diện hơn về hiệu suất cửa hàng.

Điểm chính cần ghi nhớ#

Việc tuân thủ planogram rất quan trọng để duy trì vị trí sản phẩm chính xác và hoạt động bán lẻ nhất quán. Bằng cách kết hợp phát hiện sản phẩm với so sánh bố cục, cửa hàng có thể giảm các đợt kiểm tra thủ công và kiểm tra kệ chính xác hơn. Với các model như Ultralytics YOLO26, có thể sử dụng những hệ thống này tại nhiều cửa hàng, đồng thời hỗ trợ đưa ra quyết định tốt hơn dựa trên dữ liệu cấp cửa hàng.

Bạn muốn đưa AI thị giác vào các dự án của mình? Tham gia cộng đồng sôi nổi của chúng tôi và tìm hiểu về AI thị giác trong bán lẻ cũng như thị giác máy tính trong robot học. Khám phá repository GitHub của chúng tôi để tìm hiểu thêm. Xem các tùy chọn cấp phép để bắt đầu!