Sử dụng Ultralytics YOLO26 để phát hiện tuân thủ planogram

Chúng ta đều từng bước vào cửa hàng để mua những thứ như bánh mì hoặc ngũ cốc, dành vài phút tìm trên các kệ hàng rồi nhận ra rằng mình không thể tìm thấy sản phẩm đó. Đôi khi sản phẩm nằm sai vị trí, đôi khi hết hàng, và đôi khi chỉ đơn giản là bị hòa lẫn với mọi thứ khác trên kệ.

Đối với các nhà bán lẻ, việc giữ sản phẩm đúng vị trí quan trọng hơn nhiều so với những gì bạn có thể nghĩ. Điều này ảnh hưởng đến mức độ dễ dàng mà khách hàng có thể tìm thấy sản phẩm, đồng thời tác động trực tiếp đến doanh số và mức độ hài lòng tổng thể của khách hàng. Để quản lý việc này, các cửa hàng sử dụng planogram, một sơ đồ bố trí đơn giản cho biết vị trí của từng sản phẩm trên kệ.

Tuân thủ planogram là quy trình kiểm tra xem kệ hàng thực tế có khớp với bố cục kỳ vọng hay không. Tại nhiều cửa hàng, việc này vẫn được thực hiện thông qua các đợt kiểm tra thủ công và checklist, vốn có thể tốn thời gian và thiếu nhất quán.

Hình 1. Planogram 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 bị đặt sai vị trí (đơn vị lưu kho), giá không chính xác hoặc sản phẩm hết hàng cũng có thể tạo ra khác biệt. SKU là các mã duy nhất được dùng để nhận diện và theo dõi từng biến thể sản phẩm, chẳng hạn như các kích cỡ hoặc hương vị khác nhau. Những vấn đề này làm giảm khả năng sẵn có của sản phẩm trên kệ và có thể dẫn đến mất doanh số.

Đó là lý do các nhà bán lẻ ngày càng chuyển sang thị giác máy tính và nhận dạng hình ảnh. Các công nghệ AI này có thể phân tích hình ảnh kệ hàng được chụp từ 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 Vision AI như Ultralytics YOLO26 giúp quy trình này nhanh, chính xác và thiết thực khi sử dụng trong môi trường cửa hàng thực tế.

Trong bài viết này, chúng ta sẽ tìm hiểu cách xây dựng hệ thống phát hiện mức độ tuân thủ planogram bằng Ultralytics YOLO26. Hãy bắt đầu!

Tuân thủ planogram là gì?#

Tuân thủ planogram giúp duy trì bố cục cửa hàng nhất quán, hỗ trợ định giá và chương trình khuyến mãi chính xác, cải thiện quản lý hàng tồn kho, đồng thời giúp khách hàng dễ dàng tìm thấy sản phẩm trên kệ.

Khái niệm này đề cập đến việc sắp xếp sản phẩm theo một bố cục được xác định trước hoặc theo planogram. Bố cục này xác định vị trí của từng sản phẩm, số lượng facings mà sản phẩm cần có (số sản phẩm được đặt ở phía trước kệ và hiển thị với khách hàng), cũng như những sản phẩm nào cần được đặt cạnh nhau.

Cả các nhà bán lẻ và các thương hiệu hàng tiêu dùng đóng gói (CPG) đều dựa vào planogram. Các nhà bán lẻ sử dụng planogram để tổ chức kệ hàng và duy trì tính nhất quán giữa các cửa hàng, trong khi các thương hiệu CPG sử dụng chúng để bảo đảm sản phẩm của mình được trưng bày chính xác và có độ hiển thị phù hợp.

Hình 2. Hình ảnh planogram khớp với bố cục kệ hàng thực tế (Nguồn)

Quy trình kiểm tra planogram bao gồm việc so sánh kệ hàng thực tế với bố cục kỳ vọng. Quy trình này bao gồm kiểm tra xem các SKU chính xác có nằm đúng vị trí hay không và số lượng facings yêu cầu có được duy trì hay không.

Bạn có thể thắc mắc liệu vị trí của một sản phẩm trên kệ có thực sự tạo ra khác biệt hay không. Tuy nhiên, khi các sản phẩm có hình thức tương tự nhau, ngay cả những lỗi vị trí nhỏ cũng có thể khiến sản phẩm khó tìm hơn hoặc làm khách hàng bối rối.

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

Sử dụng thị giác máy tính để tuân thủ planogram#

Theo phương pháp truyền thống, các cửa hàng bán lẻ duy trì mức độ tuân thủ planogram thông qua các đợt kiểm tra thủ công và checklist. Nhân viên cửa hàng kiểm tra bố cục kệ hàng, xác minh vị trí và số lượng facings của sản phẩm, 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 thực hiện kiểm tra. Ngành bán lẻ đang nhanh chóng ứng dụng thị giác máy tính, một lĩnh vực của trí tuệ nhân tạo cho phép các hệ thống phân tích và hiểu hình ảnh, để xử lý tốt hơn những hoạt động kiểm tra tuân thủ này.

Các hệ thống này sử dụng camera để chụp hình ảnh kệ hàng và xử lý chúng bằng các model đã được train nhằm nhận dạng từng sản phẩm. Các model thị giác máy tính 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 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 dưới dạng pretrained model dùng ngay, cung cấp một điểm khởi đầu vững chắc và có thể được custom-train trên dữ liệu kệ bán lẻ để nhận dạng các sản phẩm cụ thể.

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

Họ có thể phát hiện sản phẩm ở cấp SKU, xác định lỗi vị trí và cải thiện khả năng sẵn có của sản phẩm trên kệ cũng như hiệu quả vận hành tổng thể.

Tìm hiểu cách hoạt động của hệ thống phát hiện mức độ tuân thủ planogram bằng AI#

Trước khi đi sâu vào cách sử dụng Ultralytics YOLO26 để phát hiện mức độ tuân thủ planogram, hãy cùng lùi lại một bước để tìm hiểu cách hoạt động phát hiện sản phẩm và so sánh bố cục kết hợp với nhau trong các hệ thống này.

Một hệ thống tuân thủ planogram thường hoạt động qua 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 biết từng sản phẩm xuất hiện ở đâu trên kệ.

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

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 kỳ vọng. Hệ thống kiểm tra xem các SKU chính xác có nằm đúng vị trí hay không, số lượng facings 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 sự khác biệt giữa cách sắp xếp kệ hàng kỳ vọng và thực tế. Kết quả có thể được trình bày dưới dạng báo cáo tuân thủ hoặc dashboard, làm nổi bật các vấn đề ở cấp cửa hàng.

Điều này giúp các đội ngũ cửa hàng nhanh chóng hiểu vấn đề, thực hiện hành động khắc phục và duy trì hoạt động bán lẻ nhất quán một cách liền mạch.

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 hình ảnh kệ hàng từ nhiều môi trường bán lẻ khác nhau. Chất lượng và tính 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 cách sắp xếp kệ khác nhau giữa các nhà bán lẻ, chúng thường không hoàn toàn phù hợp với điều kiện thực tế.

Thông thường, cần tạo một dataset tùy chỉnh phù hợp với môi trường cửa hàng mục tiêu để đạt hiệu suất đáng tin cậy. Dữ liệu có thể được thu thập bằng cách sử dụng ảnh kệ hàng 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 thiết lập kệ hàng mô phỏng để tạo ra những kịch bản có kiểm soát. Việc kết hợp cả hai giúp model hoạt động đáng tin cậy hơn trong nhiều môi trường cửa hàng khác nhau.

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

Tổng quan về việc gán nhãn dataset bán lẻ#

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

Trong quá trình gán nhãn, việc xác định các class rõ ràng là rất quan trọng. Có thể thực hiện việc này ở nhiều mức độ chi tiết khác nhau, tùy thuộc vào planogram.

Ở cấp SKU, mỗi 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, các sản phẩm tương tự có thể được nhóm lại, chẳng hạn như tất cả nước ngọt hoặc tất cả đồ ăn nhẹ.

Các công cụ như Ultralytics Platform, một môi trường end-to-end để quản lý dataset, annotation, training và deployment, có thể đơn giản hóa quy trình này. Nền tảng hỗ trợ cả annotation thủ công và gán nhãn có AI hỗ trợ, trong đó các model có thể đề xuất annotation để con người xem xét và tinh chỉnh, giúp cải thiện tốc độ và tính nhất quán.

Training Ultralytics YOLO26 để phát hiện sản phẩm#

Sau khi dataset được chuẩn bị và gán nhãn, bước tiếp theo là training 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 trong việc xây dựng các pipeline tùy chỉnh và tích hợp training vào các workflow hiện có. Tương tự, Ultralytics Platform cung cấp một môi trường hợp nhất, nơi bạn có thể thực hiện annotation, quản lý dataset, cấu hình training, chạy experiment và theo dõi kết quả từ một dashboard duy nhất.

Nền tảng cũng cung cấp các tùy chọn GPU cloud để training có khả năng mở rộng và hỗ trợ deployment, giúp giảm nhu cầu thiết lập infrastructure hoặc quản lý dependencies.

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

• Chia dataset: Dataset nên được chia thành các tập training, validation và test. Điều này giúp đánh giá mức độ 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 giữa tốc độ và độ chính xác dựa trên nhu cầu deployment.
• Cấu hình training: Các tham số như batch size, image size và số epoch có thể ảnh hưởng đến cả tốc độ training lẫn hiệu suất của model.

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

Nếu hiệu suất của model chưa đủ tốt, có thể cải thiện dataset và thiết lập training. Việc này có thể bao gồm áp dụng data augmentation, bổ sung thêm hình ảnh đa dạng hoặc cân bằng các class khi một số SKU xuất hiện ít thường xuyên hơn.

Tích hợp logic tuân thủ planogram#

Bước tiếp theo sau khi training và đánh giá model là xây dựng logic thực hiện các kiểm tra tuân thủ planogram. Việc này bao gồm cấu trúc hóa dữ liệu kệ hàng và so sánh dữ liệu với bố cục kỳ vọng.

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

• Xác định bố cục kệ kỳ vọng: Trước tiên, bố cục kệ kỳ vọng được xác định bằng planogram và biểu diễn dưới dạng một grid có cấu trúc gồm các hàng và cột. Mỗi vị trí trong grid tương ứng với một SKU cụ thể, phản ánh cách sản phẩm cần được sắp xếp trên không gian kệ.
• Tổ chức sản phẩm được phát hiện: Tiếp theo, các kết quả phát hiện của model được sắp xếp dựa trên vị trí của chúng trên kệ. Sử dụng tọa độ, sản phẩm được sắp xếp và nhóm thành các hàng kệ, chuyển đổi các kết quả phát hiện thô thành bố cục có cấu trúc phản ánh cách sắp xếp kệ thực tế.
• So sánh bố cục kỳ vọng và thực tế: Tiếp theo, bố cục kệ có cấu trúc được so sánh với planogram kỳ vọng để xác định sự khác biệt. Nếu sản phẩm được phát hiện không khớp với SKU kỳ vọng, sản phẩm đó được đánh dấu là đặt sai vị trí. Nếu một vị trí bị thiếu sản phẩm, vị trí đó được đánh dấu là thiếu. Bước này cũng có thể được sử dụng để xác minh số lượng facings 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, làm nổi bật các trường hợp không tuân thủ, sai lệch và bất thường. Các kết quả này có thể được chia sẻ thông qua dashboard để giúp đội ngũ nhanh chóng xác định và xử lý vấn đề.

Triển khai model thị giác cho việc 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 tùy chọn khác nhau cần cân nhắc khi tiếp cận deployment, tùy thuộc vào use case và infrastructure.

Một tùy chọn 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 hình ảnh kệ hàng có thể được xử lý ngay tại nơi chúng được ghi lại, mang lại độ trễ thấp và khả năng giám sát theo thời gian thực.

Một tùy chọn khác là deployment trên cloud, trong đó hình ảnh được gửi đến các server từ xa để xử lý. Cách này có thể giúp quản lý và mở rộng deployment 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 deployment khác nhau. Ví dụ, khi sử dụng Ultralytics Python package, các model YOLO26 có thể được export sang nhiều format khác nhau như ONNX, TensorRT hoặc CoreML.

Điều này giúp 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 thuộc vào nhu cầu deployment.

Trong khi đó, Ultralytics Platform cung cấp các tùy chọn deployment tích hợp sẵn, giúp đơn giản hóa việc testing, integration và deployment trong môi trường production. Model có thể được test trực tiếp trên trình duyệt, tích hợp vào ứng dụng bằng các API inference dùng chung hoặc triển khai lên các endpoint chuyên dụng để sử dụng trong production ở quy mô lớn.

Nền tảng cũng hỗ trợ export model để chạy trên các hệ thống bên ngoài hoặc thiết bị edge, giúp chuyển từ development sang deployment thực tế dễ dàng hơn. Ngoài ra, nền tảng còn bao gồm các công cụ monitoring giúp theo dõi hiệu suất sau deployment và bảo đảm hoạt động đáng tin cậy theo thời gian.

Lợi ích của việc sử dụng Vision AI để phát hiện mức độ 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 các môi trường bán lẻ khác nhau: Ultralytics YOLO26 có thể được retrain hoặc fine-tune trên dữ liệu mới, giúp thích ứng với các bố cục cửa hàng, danh mục sản phẩm và khác biệt theo 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 nhiều 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 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 thiết bị edge.
• Tích hợp với các hệ thống bán lẻ: Hệ thống phát hiện mức độ tuân thủ planogram được hỗ trợ bởi Ultralytics YOLO26 có thể tích hợp với các hệ thống inventory, POS (điểm bán hàng) hoặc analytics để cung cấp góc nhìn đầy đủ hơn về hiệu suất cửa hàng.

Những điểm chính#

Tuân thủ planogram có vai trò thiết yếu trong việc 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, các cửa hàng có thể giảm số lượng kiểm tra thủ công và kiểm tra kệ hàng chính xác hơn. Với các model như Ultralytics YOLO26, những hệ thống này có thể được sử dụng trên nhiều cửa hàng và cũng hỗ trợ đưa ra quyết định tốt hơn bằng dữ liệu ở cấp cửa hàng.

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