借助 Ultralytics YOLO 模型，Cali Intelligence 通过实时监控和警报将零售结账队列缩短了 43%，并提高了人员配置效率。
在高峰时段，繁忙零售店的结账队伍可能会迅速排长。随着队列变长，等待时间增加，员工不堪重负，顾客也可能在完成购买前放弃购物车。
大多数门店已经部署了 CCTV 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。因此，门店团队无法及早发现拥堵，也无法在队列演变成问题之前做出响应。
Cali Intelligence 通过 AI 驱动的零售监控应对这些运营挑战。通过利用 计算机视觉技术升级现有 CCTV 基础设施，他们将实时视频流转化为实时运营数据。
例如，借助 Ultralytics YOLO 模型，其系统可以检测结账通道、识别正在形成的队列并测量顾客聚集情况。这有助于门店团队迅速响应，避免顾客长时间等待。
为零售运营带来实时智能#
Cali Intelligence 成立于 2020 年，专门为实体零售店开发 AI 解决方案。公司成立的目标是在法国零售业普及人工智能，并通过计算机视觉帮助零售商提升业绩和客户体验。
实体零售面临的一项关键挑战，是对店内活动缺乏足够的可见性。不可预测的队列和不均衡的人员分配让门店团队难以及时响应，尤其是在结账队伍快速变长的高峰时段。
零售团队往往只能被动决策，而不是主动管理。Cali Intelligence 通过帮助零售商实时更好地了解店内情况，弥补了这一空白。
过去四年中，Cali Intelligence 已将其解决方案拓展到多个零售领域，包括大型零售、家居建材和成衣零售。如今，公司与 Intermarché 和 Leclerc 等法国大型零售商合作，帮助门店实现更高效、更灵活的运营。
实体零售店运营的复杂性#
结账队列过长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一笔交易是最终完成还是被放弃。
即使顾客已经装满购物篮，漫长的队列也可能削弱其购买意愿。这会直接造成销售损失。
事实上，影响并不止于单笔交易。反复的延误会令顾客感到沮丧，并可能促使他们转向提供更快服务的竞争对手。久而久之，这会侵蚀客户忠诚度并减少回访。
漫长的队列也会给门店团队带来巨大压力。在运营层面，管理人员往往难以及时做出响应。
在许多情况下，团队只有在队伍已经拥挤后才采取行动，等到情况紧急时才开设更多收银台。这种被动应对方式迫使员工不断救火，而无法提供顺畅且稳定的服务。
人员配置又增加了另一层复杂性。在没有实时队列数据的情况下，很难判断何时何地真正需要额外支持。门店经常在客流清淡时人员过多、在高峰期人员不足，导致两种情况下都存在效率问题。
借助 Ultralytics YOLO 优化零售结账#
为了改善门店管理和客户体验，Cali Intelligence 利用现有摄像头基础设施，通过计算机视觉实现结账监控自动化。其解决方案可直接与标准视频管理系统（VMS）集成，让门店经理在队列超过阈值时立即收到警报。
这样，团队就能在队伍变得过长之前开设更多收银台或重新调配员工。该解决方案的核心是 Ultralytics YOLO 模型。
Ultralytics YOLO 模型支持对象检测等关键计算机视觉任务：对象检测用于识别视频帧中的顾客，对象跟踪则用于持续跟踪这些顾客在不同帧中的位置。这些能力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队列。
图 1. 使用 YOLO 检测队列中人员的示例。图片来源：Ultralytics。
通过检测和跟踪实时视频流中的人员，该解决方案还可以估算等待时间并标记正在形成的瓶颈。具体来说，系统采用边缘优先架构，运行在紧凑型本地服务器上。这既能确保全天候运行，又能保护顾客数据隐私。
除了实时监控外，该解决方案还支持短期预测。它可以提前最多 15 分钟预测队列增长，帮助管理人员根据预期客流调整人员配置。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型让 Cali Intelligence 无需昂贵的云基础设施即可实现高性能。这些模型能够很好地适应不同的摄像头角度和光照条件，从而支持在多家门店快速部署，并将重新训练需求降至最低。
Ultralytics YOLO 模型还支持高级对象跟踪。系统不只依赖人数统计，还可以测量顾客在队列中停留的时间。这提高了队列可见性，并使真实场景中的警报触发准确率达到 90% 以上。
此外，这套由 YOLO 驱动的系统经过优化，即使处理 3 到 6 路摄像头视频流，也能以每路约 3 FPS 的速度运行。这样既能保持检测准确率，又能显著降低计算负载，从而支持高效且可扩展的零售运营。
Ultralytics YOLO 与 Cali Intelligence 将队列长度缩短 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，效果立竿见影且可量化。例如，在其中一家门店，平均队列长度在短短两周内就从 7 人降至 4 人，减少了 43%。
运营效率和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启次数减少了最多 10%，帮助门店使人员配置更贴近实际需求，并避免浪费人力成本。
与此同时，在不同的门店布局和光照条件下，检测性能依然保持稳定，漏检率低于 6%。较高的警报准确率让管理人员能够放心快速行动，并在店内做出明智决策。
这些收益还延伸到了实时监控之外。预测性劳动力优化的早期测试取得了 0.8 的平均绝对误差（MAE），能够将队列长度预测到与实际人数相差不超过 1 人，从而支持更主动的人员规划。
简而言之，Cali Intelligence 借助 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。
规模化推动更智能的零售运营#
随着 Cali Intelligence 持续发展，公司计划继续借助 Ultralytics Python 包优化边缘端性能。该软件包为模型训练、导出和部署提供了简化的工作流，使高效实施性能改进更加容易。
在此基础上，Cali Intelligence 正在探索 TensorRT 和 ONNX 导出格式，以缩短推理时间并改善现场硬件利用率。Cali Intelligence 团队还在评估切换 Ultralytics YOLO 模型变体，从 Medium 迁移到 Small，以在保持较高检测准确率的同时提升效率。
总体而言，Cali Intelligence 正在推动零售运营转型，使门店从被动管理转向主动、数据驱动的运营。
想将 AI 引入运营？访问我们的 GitHub 代码仓库了解更多信息。探索物流领域的 AI和医疗保健领域的计算机视觉。查看我们的许可选项，开始使用。
