使用Ultralytics 检测陈列图合规性

我们都有过这样的经历：走进一家商店想买面包或麦片之类的东西，在货架前扫视了几分钟，却发现找不到想要的商品。有时商品放错了位置，有时是缺货，有时则只是因为它和货架上的其他商品混在一起，难以辨认。

对于零售商而言，将商品摆放在正确的位置比表面看起来更为重要。这不仅影响顾客寻找商品的便捷程度，还会直接影响销售额和整体客户满意度。为此，商店会使用陈列图——一种简单直观的布局图，明确显示每件商品在货架上的具体摆放位置。

货架陈列图合规性是指核查实际货架布局是否与预期布局相符的过程。在许多门店中，这项工作仍通过人工审核和检查清单来完成，这不仅耗时，而且结果往往不尽一致。

即使是诸如SKU（库存单位）标注错误、价格标注不准确或商品缺货等细微差异，也可能产生显著影响。SKU是用于识别和track 产品变体（如不同尺寸或口味）的唯一代码。这些问题会降低货架上的商品供应率，并可能导致销售损失。

正因如此，零售商正越来越多地采用计算机视觉和图像识别技术。这些人工智能技术能够分析店内摄像头拍摄的货架图像，自动detect ，并检查其摆放是否正确。Ultralytics 这样的视觉AI模型，使这一过程既快速又准确，且在真实的门店环境中具有很强的实用性。

在本文中，我们将逐步介绍如何使用Ultralytics 构建货架布局合规性检测系统。让我们开始吧！

什么是陈列图合规性？ 

遵守陈列图有助于保持店铺布局的一致性，确保价格和促销信息的准确性，改善库存管理，并让顾客更容易在货架上找到商品。

这指的是根据预先设定的布局或陈列图来摆放商品。该布局规定了每件商品应放置的位置、应有多少个陈列面（即摆放在货架前部且顾客可见的商品数量），以及哪些商品应并排摆放。

零售商和消费品（CPG）品牌都依赖陈列图。零售商利用陈列图来规划货架布局并确保各门店的陈列风格一致，而消费品品牌则借助陈列图来确保产品展示得当并获得足够的曝光度。

货架陈列图审核的过程包括将实际货架与预期布局进行对比。这包括检查正确的SKU是否摆放在正确的位置，以及是否保持了要求的陈列数量。

你可能会疑惑，商品在货架上的摆放位置真的有那么重要吗？但当商品外观相似时，哪怕是微小的摆放失误，也会让顾客更难找到商品，甚至造成混淆。 

这可能会影响价格准确性及顾客的决策。保持合规性有助于保持货架整洁有序，并提升顾客体验。

利用计算机视觉确保陈列图合规性

传统上，零售店一直通过人工审核和检查清单来确保货架陈列图的执行情况。店员会检查货架布局，核实商品摆放位置和正面展示情况，并记录观察结果。 

然而，这一过程可能耗时较长，难以在多家门店中推广，且往往导致核查方式不一致。零售业正迅速采用计算机视觉技术——这一人工智能领域使系统能够分析和理解图像——以更好地处理这些合规性核查工作。

这些系统利用摄像头拍摄货架图像，并通过经过训练的模型对图像进行处理，从而识别单个商品。Ultralytics 等计算机视觉模型支持物体检测和实例分割等视觉任务，从而能够准确识别并定位零售货架上的商品。

对于此应用场景，使用 YOLO26 也非常简单，因为它作为预训练模型开箱即用，提供了强大的起点，并且可以针对零售货架数据进行定制训练，以识别特定产品。

基于这些检测结果，货架陈列合规检测系统能够绘制货架上的产品位置图，并将其与预期布局进行对比。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状况。 

它们能够以SKU为单位detect ，发现陈列错误，并提升货架供货率和整体执行效果。

了解基于人工智能的陈列图合规性检测如何运作

在深入探讨如何利用 YOLO26 进行陈列图合规性检测之前，让我们先退一步，了解这些系统中产品检测与布局比对是如何结合在一起的。

货架布局合规系统通常分为两个主要阶段。首先，Ultralytics 这样的模型会分析货架图像，以detect classify 。在每次识别时，该模型还会提供位置信息，显示每件商品在货架上的具体位置。

接下来，这些检测结果会被整理成一种结构化的货架布局。商品会根据其位置进行分组，通常按货架行排列，以反映现实世界中商品的摆放方式。

随后，该结构化布局将与预期的货架陈列图进行对比。系统会检查正确的SKU是否位于正确的位置，所需的陈列数量是否得到维持，以及是否有产品缺失或摆放错误。

通过将商品检测与陈列对比相结合，该系统能够识别预期与实际货架陈列之间的差异。结果可以以合规报告或仪表盘的形式呈现，突出显示门店层面的问题。

这使得门店团队能够轻松快速地查明问题所在，采取纠正措施，并确保零售执行的一致性。

准备数据集以构建陈列图合规系统

构建陈列图合规系统的第一步是准备一套结构完善的数据集。这需要从不同的零售环境中收集货架图片。这些数据的质量和多样性直接影响模型的性能表现。

公开数据集也可以作为起点。然而，由于不同零售商的店铺布局、商品种类和货架摆放各不相同，这些数据往往无法完全反映实际情况。 

为了确保系统性能稳定，通常需要创建一个针对目标门店环境量身定制的数据集。数据可通过门店摄像头或移动设备在不同零售网点拍摄的货架照片进行采集。 

除了真实世界数据外，还可以利用模拟的货架布局来创建受控场景。将两者结合，可使模型在不同的门店环境中表现得更加可靠。

此外，捕捉各种真实的门店环境条件也至关重要，例如布局变化、货架布置、商品摆放、照明、拍摄角度以及货架整理情况。通过收集多样且真实的数据，模型能够学会在不同门店间进行泛化，从而支持大规模、精准的陈列图合规性检测。

零售数据集标注概述

数据收集完成后，下一步就是标注。通过在图像中的每个产品周围绘制边界框来对其进行标注，这样模型就能学会识别不同的SKU。

在进行商品标注时，明确划分商品类别至关重要。具体划分细致的程度可根据陈列图的不同而有所调整。 

在 SKU 层级上，每个产品变体（例如特定品牌、尺寸或口味）都会单独标注。在类别层级上，相似的产品可以归为一组，例如所有软饮料或所有零食。

像Ultralytics 这样的工具——一个用于管理数据集、标注、训练和部署的端到端平台——可以简化这一流程。它既支持手动标注，也支持 AI 辅助标注，其中模型可以提出标注建议，供用户审核和优化，从而有助于提高效率并确保一致性。

训练Ultralytics 进行产品检测

数据集准备并标注完成后，下一步就是训练 YOLO26 来detect 零售货架上的detect 。这可以通过Ultralytics Python 或Ultralytics 来实现。 

Ultralytics Python 提供了灵活的解决方案，可用于构建自定义管道并将训练流程集成到现有工作流中。同样Ultralytics 提供了一个统一的环境，您可以在其中通过单一仪表盘处理标注、管理数据集、配置训练、运行实验并监控结果。 

它还提供云端GPU 支持可扩展的训练和部署，从而减少了对基础设施搭建和依赖项管理的依赖。

在开始训练之前，还有以下几个关键因素需要考虑：

• 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：YOLO26 提供多种尺寸的模型，您可以根据部署需求在速度和准确性之间进行权衡。
• 训练配置：批量大小、图像尺寸和训练轮数等参数会同时影响训练速度和模型性能。 

训练完成后，可以使用精度、召回率和mAP 平均精度）等指标对模型进行评估。这些指标可帮助您衡量模型检测产品的准确程度，以及其规避错误的能力。

如果模型的性能不够理想，可以改进数据集和训练设置。这可能包括应用数据增强、添加更多样化的图像，或者对某些 SKU 出现频率较低的类别进行类平衡。

集成陈列图合规逻辑

在训练和评估模型之后，下一步是构建用于执行陈列图合规性检查的逻辑。这包括对货架数据进行结构化处理，并将其与预期布局进行对比。

以下是该流程的概述：

• 定义预期货架布局：首先，通过陈列图定义预期货架布局，并将其表示为由行和列组成的结构化网格。网格中的每个位置对应一个特定的SKU，反映了产品在货架空间上的排列方式。
• 整理检测到的商品：随后，模型会根据商品在货架上的位置对检测结果进行排列。通过商品的坐标，将其分类并分组到不同的货架行中，从而将原始检测结果转换为反映实际货架布局的结构化布局。
• 比较预期与实际陈列布局：接下来，将结构化货架布局与预期陈列图进行对比，以识别差异。如果检测到的商品与预期 SKU 不符，则将其标记为“摆放错误”；如果某个位置缺货，则标记为“缺货”。此步骤还可用于验证是否维持了所需的陈列数量。
• 生成合规结果：最后，可以为每个货架生成一份合规报告，重点标注不合规项、偏差及差异。这些结果可通过仪表盘共享，帮助团队快速识别并解决问题。

部署视觉模型以确保货架陈列图合规

在构建了一个集成了商品识别和合规逻辑的解决方案后，下一步就是将其部署到零售店环境中。根据具体用例和基础设施的不同，部署时有几种不同的方案可供考虑。

一种方案是将模型部署在边缘设备上，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，因此货架图像可以在拍摄地直接进行处理，从而实现低延迟和实时监控。

另一种选择是基于云的部署，即将镜像发送至远程服务器进行处理。这有助于更轻松地管理和扩展跨多个地点的部署，尤其是在需要集中监控的情况下。

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

这使得模型能够根据部署需求，在包括图形处理单元（GPU）、中央处理单元（CPU）、移动设备和嵌入式系统在内的多种硬件上运行。

此外，Ultralytics 提供了内置的部署选项，可简化测试、集成和生产环境部署流程。模型既可在浏览器中直接进行测试，也可通过共享的推理 API 集成到应用程序中，或部署到专用端点以实现可扩展的生产环境应用。 

它还支持将模型导出以在外部系统或边缘设备上运行，从而更轻松地实现从开发到实际部署的过渡。此外，该平台还包含监控工具，有助于在部署后track ，并确保系统长期稳定运行。

使用视觉人工智能检测陈列图合规性的优势

以下是使用 YOLO26 构建陈列图合规系统的一些主要优势： 

• 适应不同的零售环境：YOLO26 可以基于新数据进行重新训练或微调，从而适应不同的店铺布局、商品组合和地区差异。
• 优化数据驱动的决策：可汇总各门店的合规数据，以识别趋势、衡量绩效并优化零售策略。
• 实时连续监控：YOLO26 经过低延迟推理优化，可在边缘设备上对货架图像进行连续分析，并实时检测商品摆放位置的变化。
• 与零售系统的集成：基于 YOLO26 的陈列图合规性检测系统可与库存、POS（销售点）或分析系统集成，从而提供更全面的门店绩效视图。

主要要点

货架布局的合规性对于保持准确的产品摆放和规范的零售运营至关重要。通过将商品检测与布局比对相结合，门店可以减少人工核查，并更准确地检查货架。借助 YOLO26 等模型，此类系统不仅可在多家门店中部署，还能利用门店级数据支持更优的决策。

想在您的项目中应用视觉人工智能吗？加入我们活跃的社区，了解零售领域的视觉人工智能以及机器人领域的计算机视觉技术。浏览我们的GitHub 代码库，了解更多详情。查看我们的授权方案，立即开始吧！