使用 Ultralytics YOLO26 进行货架图合规性检测

我们都有过这样的经历：走进商店去买面包或麦片之类的东西，花了几分钟扫描货架，却发现找不到它。有时是放错了位置，有时是缺货，有时它只是和货架上的其他商品混在一起了。

对于零售商来说，将产品放在正确的位置比看起来更重要。这会影响顾客查找商品的难易程度，并直接影响销售额和整体客户满意度。为了管理这一点，商店使用货架图（planogram），这是一种显示每个产品应放置在货架何处的简单布局。

货架图合规性是指检查实际货架是否与预期布局一致的过程。在许多商店中，这仍然是通过人工审计和清单来完成的，这可能会既耗时又不一致。

图 1. 带有合规性检测结果的货架图与实际货架（realogram）对比 (来源)

即使是像 SKUs（库存单位）摆放错误、定价不正确或产品缺货这样的小偏差也会产生影响。SKU 是用于识别和追踪单个产品变体（如不同尺寸或口味）的唯一代码。这些问题会降低货架上的库存可用性，并可能导致销售损失。

这就是为什么零售商越来越多地转向 计算机视觉 和图像识别的原因。这些 AI 技术可以分析从店内摄像头捕获的货架图像，自动检测产品，并检查它们是否摆放正确。像 Ultralytics YOLO26 这样的视觉 AI 模型使这一过程在真实的商店环境中变得快速、准确且实用。

在本文中，我们将带你了解如何使用 Ultralytics YOLO26 构建货架图合规性检测系统。让我们开始吧！

Link to this section什么是货架图合规性？#

货架图合规性有助于保持商店布局的一致性，支持准确的定价和促销，改善 库存管理，并使顾客更容易在货架上找到产品。

它指的是根据预定义的布局或货架图来排列产品。这种布局定义了每个产品应放置的位置、它应有的排面数（放置在货架最前端且顾客可见的产品数量），以及哪些产品应并排摆放。

零售商和消费包装品（CPG）品牌都依赖货架图。零售商使用它们来整理货架并保持各门店之间的一致性，而 CPG 品牌则使用它们来确保其产品被正确展示并获得适当的曝光度。

图 2. 与实际货架布局相匹配的货架图概览 (来源)

货架图审计过程涉及将实际货架与预期布局进行比较。这包括检查正确的 SKU 是否在正确的位置，以及是否保持了所需的排面数。

你可能想知道产品在货架上的摆放位置是否真的有影响。但当产品看起来很相似时，即使是微小的摆放错误也会使商品更难找到，或者让顾客感到困惑。

这会影响定价的准确性和顾客的决策。保持合规性可以使货架保持整洁，并提升客户体验。

Link to this section利用计算机视觉实现货架图合规性#

传统上，零售商店 一直通过人工审计和清单来维持货架图合规性。店员检查货架布局，核实产品摆放和排面，并记录观察结果。

然而，这个过程既耗时又难以在多家门店推广，并且在检查执行方式上往往会导致不一致。零售业正在迅速采用计算机视觉，这是一种人工智能领域，使系统能够分析和理解图像，从而更好地处理这些合规性检查。

这些系统使用摄像头捕获货架图像，并使用训练有素的模型对其进行处理以识别单个产品。像 Ultralytics YOLO26 这样的计算机视觉模型支持诸如目标检测和实例分割等视觉任务，使得能够准确识别并定位零售货架上的产品成为可能。

图 3. 使用 YOLO26 检测和分割零售货架上产品的示例 (来源)

使用 YOLO26 处理此用例也很直接，因为它作为预训练模型可以直接使用，提供了一个强大的起点，并且可以在零售货架数据上进行定制化训练以识别特定产品。

基于这些检测结果，货架图合规性检测系统可以映射货架上的产品位置，并将其与预期布局进行比较。通过这种方法，零售商可以超越人工检查，并在门店层面持续监控货架。

他们可以在 SKU 层面检测产品，识别摆放错误，并改善货架上的库存可用性和整体执行情况。

Link to this section了解 AI 驱动的货架图合规性检测的工作原理#

在我们深入探讨如何使用 YOLO26 进行货架图合规性检测之前，让我们退后一步，了解产品检测和布局比较在这些系统中是如何结合在一起的。

货架图合规性系统通常分两个主要阶段工作。首先，像 Ultralytics YOLO26 这样的模型会分析货架图像以检测和分类产品。在每次检测的同时，模型会提供位置信息，显示每个产品在货架上的位置。

接下来，这些检测结果会被组织成结构化的货架布局。产品根据其位置进行分组，通常被划分为货架行，以反映商品在现实世界中的排列方式。

图 4. YOLO26 可以实现货架图合规性。 (来源)

然后，将这种结构化布局与预期的货架图进行比较。系统会检查正确的 SKU 是否在正确的位置，所需的排面数是否保持，以及是否有任何产品缺失或摆放错误。

通过将产品检测与布局比较相结合，系统可以识别预期货架排列与实际货架排列之间的差异。结果可以以合规性报告或仪表板的形式呈现，突出门店层面的问题。

这使得门店团队能够无缝地快速了解哪里出了问题，采取纠正措施，并保持一致的零售执行。

Link to this section准备构建货架图合规性系统的数据集#

构建货架图合规性系统的第一步是准备一个结构良好的数据集。这涉及从不同的零售环境中收集货架图像。该数据的质量和多样性直接影响模型的性能。

公共数据集也可以作为起点。然而，由于不同零售商的商店布局、产品种类和货架安排各不相同，它们通常无法完全匹配现实世界的条件。

为了获得可靠的性能，通常有必要创建一个针对目标商店环境的定制数据集。数据可以通过从店内摄像头或移动设备在不同零售地点捕获的货架照片进行收集。

除了真实世界的数据外，还可以使用模拟货架设置来创建受控场景。将两者结合起来，使模型能够在不同的商店环境中更可靠地运行。

捕获不同的真实商店状况也至关重要，例如布局、货架排列、产品摆放、光照、摄像机角度和货架组织的改变。通过收集多样化且真实的数据，模型可以学会跨商店推广，并支持大规模的准确货架图合规性检测。

Link to this section零售数据集标注概述#

一旦收集到数据，下一步就是标注。图像中的每个产品都通过在其周围绘制边界框（bbox）来进行标注，以便模型能够学会识别不同的 SKU。

在标注时，定义清晰的类别非常重要。根据货架图的不同，这可以在不同的细节层面上进行。

在 SKU 层面，每个产品变体（例如特定的品牌、尺寸或口味）都单独标注。在类别层面，相似的产品可以被归为一类，例如所有软饮料或所有零食。

像 Ultralytics Platform 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环境——可以简化这个过程。它支持人工标注和 AI 辅助标注，模型可以建议标注，然后进行审查和优化，从而帮助提高速度和一致性。

Link to this section训练 Ultralytics YOLO26 进行产品检测#

一旦数据集准备好并完成标注，下一步就是训练 YOLO26 来检测零售货架上的产品。这可以使用 Ultralytics Python package 或 Ultralytics Platform 来完成。

Ultralytics Python package 为构建自定义流水线并将训练集成到现有工作流中提供了灵活性。同样，Ultralytics Platform 提供了一个统一的环境，你可以在其中处理标注、管理数据集、配置训练、运行实验并从单个仪表板监控结果。

它还提供用于可扩展训练的云 GPU 选项，并支持部署，减少了设置基础设施或管理依赖项的需求。

在开始训练之前，还有一些其他关键因素需要考虑：

• 数据集拆分： 数据集应分为训练集、验证集和测试集。这有助于评估模型对新数据的推广能力，并避免过拟合。
• 模型选择： YOLO26 模型有不同的大小，允许你根据部署需求平衡速度和精度。
• 训练配置： 诸如批大小、图像大小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，可以使用诸如准确率、召回率和 mAP（平均精度均值）等指标来评估模型。这些指标让你能够测量模型检测产品的准确性，以及它在避免错误方面的表现。

如果模型的性能不够强，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，或平衡某些 SKU 出现频率较低的类别。

Link to this section集成货架图合规性逻辑#

在训练和评估模型之后的下一步是构建执行货架图合规性检查的逻辑。这涉及构建货架数据并将其与预期布局进行比较。

以下是该过程如何工作的一个概述：

• 定义预期货架布局： 首先，使用货架图定义预期的货架布局，并将其表示为一个带有行和列的结构化网格。网格中的每个位置对应一个特定的 SKU，反映了产品应如何在货架空间上进行排列。
• 组织检测到的产品： 然后，根据检测到的产品在货架上的位置对其进行排列。利用它们的坐标，产品被分类并分组到货架行中，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，将结构化货架布局与预期货架图进行比较，以识别差异。如果检测到的产品与预期的 SKU 不匹配，则将其标记为摆放错误。如果某个位置缺少产品，则将其标记为缺失。此步骤也可用于验证是否保持了所需的排面数。
• 生成合规性结果： 最后，可以为每个货架生成合规性报告，突出显示不合规、偏差和差异。这些输出可以通过仪表板共享，以帮助团队快速识别并解决问题。

Link to this section部署视觉模型进行货架图合规性检查#

在构建了一个集成产品检测和合规性逻辑的解决方案后，下一步就是将其部署在零售商店环境中。在考虑部署时，根据用例和基础设施，有几种不同的选项需要考虑。

一个选项是在边缘设备（如店内服务器或嵌入式硬件）上部署模型。这些系统被放置在摄像头附近，以便可以在图像捕获的地方进行处理，从而实现低延迟和实时监控。

另一个选项是基于云的部署，其中图像被发送到远程服务器进行处理。这可以更容易地管理和扩展跨多个地点的部署，特别是在需要集中监控时。

在 Ultralytics 生态系统中，有几个选项支持这些不同的部署场景。例如，使用 Ultralytics Python package，训练好的 YOLO26 模型可以导出 为 ONNX、TensorRT 或 CoreML 等不同格式。

这使得根据部署需求，在广泛的硬件上运行模型成为可能，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。

同时，Ultralytics Platform 提供了内置的 部署选项，简化了测试、集成和生产部署。模型可以直接在浏览器中测试，使用共享推理 API 集成到应用程序中，或部署到专用端点以进行可扩展的生产使用。

它还支持导出模型以在外部系统或边缘设备上运行，使从开发到实际部署的转换变得更容易。除此之外，该平台还包括监控工具，有助于跟踪部署后的性能，并确保随着时间的推移实现可靠的操作。

Link to this section使用视觉 AI 进行货架图合规性检测的好处#

以下是使用 YOLO26 构建货架图合规性系统的一些关键优势：

• 适应不同的零售环境： YOLO26 可以在新数据上进行再训练或微调，使其能够适应不同的商店布局、产品种类和区域差异。
• 优化数据驱动的决策制定： 可以汇总各门店的合规性数据以识别趋势、衡量业绩并改进零售策略。
• 实时持续监控： YOLO26 针对低延迟推理进行了优化，能够持续分析货架图像并实时检测边缘设备上产品摆放的变化。
• 与零售系统集成： 由 YOLO26 驱动的货架图合规性检测系统可以与库存、POS（销售点）或分析系统集成，从而提供更完整的商店绩效视图。

Link to this section关键要点#

货架图合规性对于维持准确的产品摆放和一致的零售运营至关重要。通过将产品检测与布局比较相结合，商店可以减少人工审计，更准确地检查货架。利用像 YOLO26 这样的模型，此类系统可以跨多个门店使用，并且还可以利用门店层面的数据支持更好的决策。

想要将视觉 AI 带入你的项目中吗？加入我们活跃的 社区，了解关于 零售中的视觉 AI 和 机器人中的计算机视觉 的信息。浏览我们的 GitHub 存储库 以了解更多。查看我们的 许可选项 以开始使用！