CaliUltralytics YOLO缩短零售结账排队时间

在高峰时段，繁忙的零售商店收银台前队伍可能迅速延长。随着排队人数增加，等待时间随之延长，店员不堪重负，顾客可能在完成购买前就放弃购物车。

大多数商店已安装闭路电视监控系统。然而，这些摄像头通常仅用于监控，无法提供实时运营洞察。这意味着店员无法及早detect ，也无法在排队问题恶化前及时应对。

Cali Intelligence通过 人工智能驱动的零售监控技术应对这些运营挑战。通过将计算机视觉技术应用于现有闭路电视监控系统，他们将实时视频流转化为可操作的运营数据。

例如，通过Ultralytics YOLO 其系统能够detect 通道、detect 活跃排队队伍并测量顾客聚集情况。这有助于门店团队快速响应，避免顾客长时间等待。

为零售运营注入实时智能

卡利智能成立于2020年，专注于为实体零售店开发定制化人工智能解决方案。公司创立的宗旨是推动人工智能在法国零售业的普及，助力零售商通过计算机视觉技术提升运营效率与客户体验。

实体零售面临的核心挑战在于对卖场活动缺乏可视性。不可预测的排队现象与不均衡的人员配置，使得门店团队难以迅速应对，尤其在高峰时段收银队伍急剧增长时更为突出。

零售团队往往被迫采取被动决策，而非主动管理。Cali Intelligence通过让零售商实时掌握店内动态，有效弥补了这一缺口。

过去四年间，Cali Intelligence已将解决方案扩展至多个零售领域，包括大众分销、DIY和成衣行业。如今，该公司与Intermarché和Leclerc等法国大型零售商合作，助力其实现更高效、更灵活的门店运营。

实体零售店运营的复杂性

结账队伍过长是导致购物放弃的主要原因之一。顾客的结账体验往往决定了交易能否完成或被放弃。

即使顾客已将商品放入购物篮，漫长的排队也可能削弱购买意愿，导致销售额的即时损失。 

事实上，这种影响远不止于单次交易。反复延误会令客户感到沮丧，可能促使他们转向提供更快捷服务的竞争对手。随着时间推移，这将侵蚀客户忠诚度，减少回头客。

长长的队伍也给店员团队带来了巨大压力。在运营层面，管理层常常难以及时作出有效应对。 

在许多情况下，团队往往在队伍已经排得水泄不通时才采取行动，等到情况变得紧急时才增开收银通道。这种被动应对的方式迫使员工不断忙于处理突发状况，而非提供顺畅、稳定的服务。

人员配置问题又增添了一层复杂性。若缺乏实时排队数据，就难以准确判断何时何地真正需要增派人手。结果往往是门店在客流淡季人员过剩，而在高峰时段人手不足，导致两端都出现效率低下。

利用Ultralytics YOLO优化零售结账流程

为提升门店管理与顾客体验，Cali Intelligence利用现有摄像头基础设施，通过计算机视觉技术实现结账监控自动化。该解决方案可直接集成至标准视频管理系统（VMS），当排队人数超过阈值时，店长将即时收到警报通知。 

这使团队能够在队伍过长前增开收银台或重新调配人员。该解决方案的核心是Ultralytics YOLO 。 

Ultralytics YOLO 支持关键计算机视觉任务，例如物体检测（识别视频帧中的顾客）和物体追踪（跨帧追踪顾客轨迹）。这些功能使系统能够监控收银区、统计顾客数量并识别正在形成的排队队伍。 

​

通过检测和追踪实时视频流中的个体，该解决方案还能估算等候时间并标记正在形成的拥堵点。该系统采用边缘优先架构，运行于紧凑的本地服务器上，既能保障全天候运行，又能确保客户数据隐私安全。 

除实时监控外，该解决方案还支持短期预测功能。它可提前15分钟预测排队情况，帮助管理者根据预期客流量合理配置人员。

为什么选择Ultralytics YOLO 模型？

Ultralytics YOLO Intelligence能够在无需昂贵云基础设施的情况下实现高性能运行。这些模型在不同摄像机角度和光照条件下均表现出良好的泛化能力，支持在多家门店快速部署，且仅需极少重新训练。 

Ultralytics YOLO 还支持高级物体追踪功能。该系统不仅能统计人数，还能测量顾客排队时长。这不仅提升了队列可见性，更使实际场景中的警报触发准确率超过90%。

此外，该YOLO系统经过优化，可同时处理3至6路摄像头流，每路流帧率约为3帧/秒。这使其在保持检测精度的同时显著降低计算负载，从而支持高效且可扩展的零售运营。

YOLO Cali Intelligence将队列长度缩短了43%

当Cali Intelligence在八家零售门店部署其YOLO Ultralytics YOLO 解决方案后，成效立竿见影且数据可量化。例如某门店的平均排队人数从7人降至4人，短短两周内减少了43%。 

运营效率与客户满意度同步提升。在非高峰时段，该系统将不必要的收银台开放数量减少了高达10%，使门店能够更精准地根据实际需求配置人员，避免人力成本浪费。

与此同时，检测性能在各种店铺布局和照明条件下均保持稳定，误报率始终低于6%。高警报准确性使管理者能够在卖场快速采取行动并做出明智决策。

这些效益不仅体现在实时监控方面。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），其预测的排队人数与实际人数仅相差一位顾客，从而能够更主动地进行人力规划。

简而言之，Cali Intelligence通过Ultralytics YOLO 店内视频YOLO 实时运营情报YOLO 从而有效缩短顾客等待时间、优化人员配置，并全面提升零售业绩。

推动智能零售运营规模化发展

随着Cali Intelligence的持续发展，公司计划Ultralytics Python 优化其边缘性能。该软件包为模型训练、导出和部署提供了简化的工作流程，使性能提升的实施更加高效便捷。

在此基础上，Cali Intelligence正探索ONNX 以缩短推理时间并提升现场硬件利用率。该团队同时评估Ultralytics YOLO 体间进行切换——从Medium版转向Small版，在保持高检测精度的同时提升运行效率。

总体而言，Cali Intelligence正推动零售运营模式的变革，使门店管理从被动响应转向主动出击，实现数据驱动的绩效提升。

想将人工智能引入运营？访问我们的GitHub仓库了解更多详情。探索物流领域的人工智能与 医疗健康领域的计算机视觉技术。查看我们的许可方案，立即开始使用。