Cali Intelligence 借助 Ultralytics YOLO 缩短零售结账排队时间

在高峰时段，繁忙的零售店中结账队伍会迅速增长。随着排队增长，等待时间增加，员工不堪重负，顾客可能会在完成购买前放弃购物车。

大多数商店已经安装了闭路电视 (CCTV) 系统。然而，这些摄像头通常仅用于监控，并且不提供实时运营洞察。这反过来意味着商店团队无法及早 detect 拥堵，或在排队成为问题之前做出响应。

Cali Intelligence通过人工智能驱动的零售监控来应对这些运营挑战。通过使用计算机视觉技术升级现有闭路电视基础设施，他们将实时视频流转换为实时运营数据。

例如，通过使用 Ultralytics YOLO 模型，他们的系统可以 detect 结账通道，识别活跃排队，并测量顾客聚集情况。这有助于商店团队快速响应并防止长时间等待。

为零售运营带来实时智能

Cali Intelligence 成立于 2020 年，开发专门为实体零售店设计的AI解决方案。该公司旨在将人工智能普及到法国零售业，并通过计算机视觉帮助零售商提高绩效和客户体验。

实体零售面临的一个主要挑战是对门店活动缺乏可见性。不可预测的排队和不均衡的员工分配使得商店团队难以快速响应，尤其是在高峰时段结账队伍迅速增长时。

零售团队常常被迫进行被动决策，而非主动管理。Cali Intelligence通过让零售商更好地实时了解店内情况来弥补这一差距。

在过去四年中，Cali Intelligence 已将其解决方案扩展到多个零售领域，包括大众分销、DIY 和成衣。如今，该公司与 Intermarché 和 Leclerc 等法国主要零售商合作，支持更高效、更灵敏的门店运营。

实体零售门店运营的复杂性

漫长的结账队伍是导致顾客放弃购物的主要原因之一。顾客的结账体验往往决定了交易能否完成或被放弃。

即使顾客的购物车已满，漫长的排队也会削弱购买意愿，从而立即导致销售损失。 

事实上，其影响远不止单次交易。反复的延误会让顾客感到沮丧，并可能将他们推向提供更快服务的竞争对手。久而久之，这会侵蚀顾客忠诚度并减少回头客。

漫长的排队也给门店团队带来了巨大压力。在运营层面，管理层往往难以迅速响应。 

在许多情况下，团队往往在队伍已经拥挤之后才做出反应，在情况紧急时才开放更多收银台。这种被动应对方式迫使员工不断“救火”，而非提供顺畅、一致的服务。

人员配置增加了另一层复杂性。如果没有实时排队数据，很难知道何时何地真正需要额外支持。通常，商店在非高峰时段人手过剩，而在高峰时段人手不足，导致两端效率低下。

使用 Ultralytics YOLO 优化零售结账

为了改善门店管理和客户体验，Cali Intelligence 利用计算机视觉通过现有摄像头基础设施自动化结账监控。他们的解决方案直接与标准视频管理系统（VMS）集成，允许店长在排队阈值超出时接收即时警报。 

这使得团队能够在排队过长之前增开收银台或重新部署员工。该解决方案的核心是 Ultralytics YOLO 模型。 

Ultralytics YOLO 模型支持关键的 计算机视觉任务，例如目标检测（在视频帧中识别顾客）和目标 track（随时间在不同帧中跟踪这些顾客）。这些功能使系统能够监控结账区域、统计顾客数量并识别正在形成的排队。 

​

通过 detect 和 track 实时视频流中的个体，该解决方案还可以估算等待时间并标记正在形成的瓶颈。特别是，该系统在紧凑的现场服务器上运行，采用边缘优先架构。这确保了全天候运行，同时保护了客户数据隐私。 

除了实时监控，该解决方案还支持短期预测。它能够提前15分钟预测排队形成，帮助管理人员根据预期客流量调整人员配置。

为什么选择Ultralytics YOLO 模型？

Ultralytics YOLO 模型使 Cali Intelligence 能够在无需昂贵云基础设施的情况下提供高性能。这些模型在不同的摄像机角度和光照条件下都具有良好的泛化能力，这支持了在多个门店的快速部署，且只需最少的重新训练。 

Ultralytics YOLO 模型还支持高级目标 track。系统不再仅仅依赖于人数统计，还可以衡量顾客排队时长。这提高了队列可见性，并有助于在实际警报触发中实现超过 90% 的准确率。

除此之外，YOLO驱动的系统经过优化，甚至可以处理3到6个摄像头流，每个流大约3 FPS。这使其能够保持detect准确性，同时显著降低计算负载，支持高效和可扩展的零售运营。

Ultralytics YOLO 和 Cali Intelligence 将队列长度减少了 43%

当 Cali Intelligence 在八个零售门店部署其由 Ultralytics YOLO 驱动的解决方案后，效果立竿见影且可衡量。例如，在一个门店，平均排队长度在短短两周内从7名顾客降至4名，减少了43%。 

运营效率和客户满意度同步提升。在非高峰时段，系统将不必要的结账通道开放减少了多达 10%，使商店能够更精确地调整人员配置以匹配实际需求，并避免浪费劳动力成本。

同时，检测性能在不同的门店布局和光照条件下保持稳定，漏检率保持在6%以下。高警报准确性使管理人员有信心迅速采取行动，并在门店现场做出明智决策。

其益处也超出了实时监控范围。预测性劳动力优化的早期测试实现了0.8的平均绝对误差（MAE），预测队列长度与实际数量相差不超过一名客户，从而实现更主动的劳动力规划。

简而言之，Cali Intelligence 能够利用 Ultralytics YOLO 将店内视频转化为实时运营智能，帮助缩短等待时间、优化人员配置并提升整体零售业绩。

规模化推进更智能的零售运营

随着 Cali Intelligence 的持续发展，该公司计划继续使用 Ultralytics python 包 优化其边缘性能。该软件包为模型的训练、导出和部署提供了简化的工作流程，从而更高效地实现性能改进。

在此基础上，Cali Intelligence 正在探索 TensorRT 和 ONNX 导出格式，以减少推理时间并提高现场硬件利用率。Cali Intelligence 团队还在评估 Ultralytics YOLO 模型变体之间的转换，从 Medium 转向 Small，以提高效率，同时保持高检测准确性。

总体而言，Cali Intelligence 正在推动零售运营的转变，使门店从被动管理转向主动的、数据驱动的绩效。

希望将AI引入运营中？访问我们的GitHub仓库了解更多信息。探索AI在物流中的应用和计算机视觉在医疗保健中的应用。查看我们的许可选项以开始使用。