使用 Ultralytics YOLO26 检测货架陈列合规性

我们都曾走进商店，想买面包或麦片之类的东西，在货架间找了几分钟，却发现怎么也找不到。有时商品放错了位置，有时已经售罄，有时则只是和货架上的其他商品混在一起，不容易看出来。

对零售商来说，让商品摆放在正确的位置比看起来更重要。这会影响顾客寻找商品的难易程度，也会直接影响销售额和整体客户满意度。为了做好管理，商店会使用货架陈列图，也就是一张简单的布局图，标明每件商品应该放在货架上的什么位置。

货架陈列合规检查是核对实际货架是否符合预期布局的过程。许多商店仍然通过人工审核和检查清单来完成这项工作，既耗时又容易出现不一致。

图 1. 货架陈列图与实际货架（真实陈列图）及合规检测结果对比（来源）

即使是 SKU（库存单位）摆放错误、价格不正确或商品缺货等细微差异，也可能造成影响。SKU 是用于识别和追踪单个商品变体的唯一代码，例如不同尺寸或口味的商品。这些问题会降低货架上的商品可获得性，并可能导致销售损失。

因此，零售商越来越多地采用计算机视觉和图像识别技术。这些 AI 技术可以分析店内摄像头拍摄的货架图像，自动检测商品并核查摆放是否正确。像 Ultralytics YOLO26 这样的视觉 AI 模型让这一过程快速、准确，也适合在真实商店环境中使用。

本文将介绍如何使用 Ultralytics YOLO26 构建货架陈列合规检测系统。现在就开始吧！

什么是货架陈列合规？#

货架陈列合规有助于保持店内布局一致、确保定价和促销准确、改进库存管理，并让顾客更容易在货架上找到商品。

它指的是按照预先设定的布局或货架陈列图摆放商品。该布局规定了每件商品应该放在哪里、应该有多少个排面（即货架前端面向顾客展示的商品数量），以及哪些商品应该相邻摆放。

零售商和消费品 (CPG) 品牌都依赖货架陈列图。零售商用它来规划货架，并确保各家门店的陈列保持一致；消费品品牌则用它来确保商品陈列正确并获得充分展示。

图 2. 货架陈列图与实际货架布局匹配情况（来源）

货架陈列审核的流程是将实际货架与预期布局进行比较，其中包括检查正确的 SKU 是否摆放在合适的位置，以及是否保持了要求的排面数量。

你可能会想，商品在货架上的摆放位置真的有影响吗？但当商品看起来很相似时，即使是细微的摆放错误，也可能让顾客更难找到商品，或造成困惑。

这会影响定价准确性和顾客的购买决策。保持陈列合规有助于让货架井然有序，并提升顾客体验。

使用计算机视觉检查货架陈列合规性#

传统上，零售门店通过人工审核和检查清单来确保货架陈列合规。门店员工会检查货架布局、核实商品摆放位置和排面数，并记录观察结果。

然而，这一流程可能耗时较长，难以扩展到多家门店，而且检查方式往往不一致。零售业正在迅速采用计算机视觉——这一人工智能领域可让系统分析和理解图像——以更好地处理这些合规检查。

这些系统使用摄像头拍摄货架图像，并通过训练好的模型处理图像以识别单个商品。像 Ultralytics YOLO26 这样的计算机视觉模型支持目标检测和实例分割等视觉任务，因此能够准确识别并定位零售货架上的商品。

图 3. 使用 YOLO26 检测并分割零售货架商品的示例（来源）

使用 Ultralytics YOLO26 处理这一用例也很简单，因为它开箱即用，提供预训练模型作为良好的起点，还可以使用零售货架数据进行定制训练，以识别特定商品。

基于这些检测结果，货架陈列合规检测系统可以映射商品在货架上的位置，并将其与预期布局进行比较。通过这种方法，零售商可以摆脱人工检查，在门店层面持续监控货架。

他们可以在 SKU 级别检测商品、识别摆放错误，并提高货架现货率和整体执行效果。

了解 AI 驱动的货架陈列合规检测如何运作#

在深入了解如何使用 Ultralytics YOLO26 进行货架陈列合规检测之前，我们先退一步，了解商品检测和布局比较如何在这些系统中协同工作。

货架陈列合规系统通常分为两个主要阶段。首先，Ultralytics YOLO26 之类的模型会分析货架图像，以检测并分类商品。对于每个检测结果，模型还会提供位置信息，显示每件商品在货架上的位置。

接下来，这些检测结果会被整理成结构化的货架布局。商品根据其位置进行分组，通常按货架层分组，以反映现实中的商品摆放方式。

图 4. Ultralytics YOLO26 可助力实现货架陈列合规。（来源）

随后，系统会将这一结构化布局与预期的货架陈列图进行比较。系统会检查正确的 SKU 是否位于正确位置、规定的排面数是否得到保持，以及是否有商品缺失或摆放错误。

通过结合商品检测和布局比较，系统可以找出预期货架排列与实际排列之间的差异。结果可以通过合规报告或仪表板呈现，突出显示门店层面的问题。

这样，门店团队就能轻松快速地了解问题所在、采取纠正措施，并保持零售执行的一致性。

准备数据集以构建货架陈列合规系统#

构建货架陈列合规系统的第一步是准备结构良好的数据集。这包括收集来自不同零售环境的货架图像。数据的质量和多样性会直接影响模型的表现。

也可以使用公开数据集作为起点。不过，由于不同零售商的门店布局、商品组合和货架排列各不相同，公开数据集往往无法完全匹配真实环境。

为了获得可靠的性能，通常需要创建适用于目标门店环境的定制数据集。你可以从不同零售门店的店内摄像头或移动设备拍摄货架照片来收集数据。

除了真实世界的数据，还可以使用模拟货架布置来创建受控场景。将两者结合起来，可以让模型在不同门店环境中表现得更加可靠。

捕捉不同的真实门店条件也至关重要，例如布局变化、货架排列、商品摆放、照明、摄像头角度和货架组织方式。通过收集多样且贴近现实的数据，模型可以学会在不同门店之间泛化，并支持大规模、准确地检测货架陈列合规性。

零售数据集标注概览#

收集数据后，下一步是进行标注。通过在图像中的每件商品周围绘制边界框，为其添加标签，以便模型学会识别不同的 SKU。

标注时，明确定义类别非常重要。你可以根据货架陈列图，在不同的详细程度上定义类别。

在 SKU 级别，每种商品变体（例如特定品牌、尺寸或口味）都要单独标注。在类别级别，可以将相似商品分组，例如所有软饮料或所有零食。

像 Ultralytics Platform 这样的工具提供了用于管理数据集、标注、训练和部署的端到端环境，可以简化这一流程。它同时支持人工标注和 AI 辅助标注，模型可以提出标注建议，供你审核和完善，从而提高速度和一致性。

训练 Ultralytics YOLO26 进行商品检测#

准备并标注好数据集后，下一步是训练 YOLO26 检测零售货架上的商品。你可以使用 Ultralytics Python package 或 Ultralytics Platform 来完成这项工作。

Ultralytics Python package 灵活易用，可用于构建定制化流程，并将训练集成到现有工作流中。同样，Ultralytics Platform 提供了统一环境，你可以在一个仪表板中完成标注、数据集管理、训练配置、实验运行和结果监控。

它还提供云端 GPU 选项以支持可扩展训练，并支持部署，从而减少搭建基础设施或管理依赖项的需求。

开始训练之前，还有几个重要因素需要考虑：

• 数据集划分：应将数据集划分为训练集、验证集和测试集。这有助于评估模型对新数据的泛化能力，并避免过拟合。
• 模型选择：Ultralytics YOLO26 模型提供不同尺寸，你可以根据部署需求，在速度和准确率之间进行权衡。
• 训练配置：批量大小、图像尺寸和训练轮数等参数会影响训练速度和模型性能。

训练完成后，可以使用精确率、召回率和 mAP（平均精度均值）等指标评估模型。这些指标可以衡量模型检测商品的准确程度，以及避免错误的能力。

如果模型性能不够理想，可以改进数据集和训练设置。例如，应用数据增强、添加更多样化的图像，或对出现频率较低的 SKU 进行类别平衡。

集成货架陈列合规逻辑#

训练并评估模型后，下一步是构建执行货架陈列合规检查的逻辑。这包括整理货架数据，并将其与预期布局进行比较。

以下是这一流程的概述：

• 定义预期货架布局：首先，根据货架陈列图定义预期的货架布局，并将其表示为包含行和列的结构化网格。网格中的每个位置都对应一个特定 SKU，反映商品在货架空间中的预期摆放方式。
• 整理检测到的商品：接下来，根据模型检测结果在货架上的位置进行整理。利用商品坐标对商品排序，并按货架层分组，将原始检测结果转换为反映实际货架排列的结构化布局。
• 比较预期布局和实际布局：接下来，将结构化的货架布局与预期货架陈列图进行比较，以找出差异。如果检测到的商品与预期 SKU 不符，就将其标记为摆放错误。如果某个位置缺少商品，就将其标记为缺失。此步骤还可用于核实规定的排面数是否得到保持。
• 生成合规结果：最后，可以为每个货架生成合规报告，突出显示不合规情况、偏差和差异。这些结果可以通过仪表板分享，帮助团队快速发现并处理问题。

部署用于货架陈列合规的视觉模型#

构建好集成商品检测和合规逻辑的解决方案后，下一步是在零售门店环境中部署。根据用例和基础设施情况，可以考虑几种不同的部署方案。

一种方案是在边缘设备上部署模型，例如店内服务器或嵌入式硬件。这些系统部署在摄像头附近，因此可以在拍摄货架图像的现场进行处理，实现低延迟和实时监控。

另一种方案是基于云端部署，将图像发送到远程服务器进行处理。这样更便于管理和扩展多个地点的部署，尤其是在需要集中监控时。

在 Ultralytics 生态系统中，有多种方案支持这些不同的部署场景。例如，使用 Ultralytics Python package，可以将训练好的 YOLO26 模型导出为 ONNX、TensorRT 或 CoreML 等不同格式。

因此，你可以根据部署需求，在包括图形处理器 (GPU)、中央处理器 (CPU)、移动设备和嵌入式系统在内的各种硬件上运行模型。

与此同时，Ultralytics Platform 提供内置的部署选项，简化测试、集成和生产环境部署。你可以直接在浏览器中测试模型，通过共享推理 API 将模型集成到应用中，也可以将模型部署到专用端点以支持可扩展的生产应用。

它还支持导出模型，以便在外部系统或边缘设备上运行，让你更轻松地从开发迈向真实世界的部署。此外，该平台还包含监控工具，可帮助你在部署后跟踪性能，确保系统长期可靠运行。

使用视觉 AI 检测货架陈列合规性的优势#

以下是使用 Ultralytics YOLO26 构建货架陈列合规系统的一些主要优势：

• 适应不同零售环境：Ultralytics YOLO26 可以使用新数据重新训练或微调，因此能够适应不同的门店布局、商品组合和地区差异。
• 优化数据驱动的决策：可以汇总各门店的合规数据，以发现趋势、衡量表现并改进零售策略。
• 实时持续监控：Ultralytics YOLO26 针对低延迟推理进行了优化，可持续分析货架图像，并在边缘设备上实时检测商品摆放变化。
• 与零售系统集成：由 Ultralytics YOLO26 驱动的货架陈列合规检测系统可以与库存、POS（销售点）或分析系统集成，从而更全面地了解门店表现。

要点#

货架陈列合规对于确保商品准确摆放和零售运营一致性至关重要。通过结合商品检测和布局比较，门店可以减少人工审核，并更准确地检查货架。借助 Ultralytics YOLO26 等模型，这类系统可以应用于多家门店，还能利用门店级数据支持更好的决策。

想在你的项目中引入视觉 AI？加入我们活跃的社区，了解零售领域的视觉 AI和机器人领域的计算机视觉。访问我们的 GitHub repository 了解更多。查看我们的许可选项，立即开始！