借助 Ultralytics YOLO 模型，Cali Intelligence 通过实时监控和预警，将零售结账队列缩短了 43%，并提高了人员配置效率。
在繁忙零售门店的高峰时段，结账队伍很快就会排长。随着队伍变长，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。
大多数门店已经安装了闭路电视 (CCTV) 系统。然而，这些摄像头通常只用于监控，无法提供实时运营洞察。因此，门店团队无法及早发现拥堵，也无法在队列成为问题前及时应对。
Cali Intelligence 借助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运营数据。
例如，借助 Ultralytics YOLO 模型，其系统可以检测收银通道、识别正在排队的队伍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，专为实体零售门店开发 AI 解决方案。公司创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经营表现和客户体验。
实体零售面临的一项关键挑战，是难以全面了解卖场内的活动情况。队列情况难以预测，员工分配也不均衡，这让门店团队很难迅速应对；在结账队伍迅速变长的高峰时段尤其如此。
零售团队往往只能被动应对，而无法主动管理。Cali Intelligence 帮助零售商实时更好地了解门店内的情况，从而弥补这一不足。
过去四年中，Cali Intelligence 已将其解决方案拓展到多个零售领域，包括大众零售、家装和成衣零售。如今，公司与 Intermarché 和 Leclerc 等法国大型零售商合作，帮助门店更高效、更灵活地运营。
实体零售门店运营的复杂性#
结账队伍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交易最终是成功完成还是被放弃。
即使顾客已经选满购物篮，排队过久也会削弱购买意愿，直接造成销售损失。
事实上，影响不止于单笔交易。反复的延误会让顾客感到沮丧，促使他们转向服务更快的竞争对手。长此以往，这会削弱顾客忠诚度并减少回访。
长队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作出响应。
很多时候，队伍已经拥挤后，团队才会采取行动，等情况变得紧急时才开放更多收银台。这种被动做法迫使员工不断救火，而不是提供顺畅、一致的服务。
人员配置也增加了运营的复杂性。没有实时队列数据，就很难判断何时何地真正需要增派人手。门店往往在客流清淡时人手过多，在高峰期人手不足，导致两种情况下都出现效率低下的问题。
使用 Ultralytics YOLO 优化零售结账流程#
为改善门店管理和客户体验，Cali Intelligence 利用现有摄像头基础设施，通过计算机视觉自动监控结账情况。其解决方案可直接与标准视频管理系统（VMS）集成，让门店经理在排队人数超过阈值时立即收到提醒。
这样，团队就能在队伍变得过长之前开放更多收银台或重新安排员工。这套解决方案的核心是 Ultralytics YOLO 模型。
Ultralytics YOLO 模型支持多种关键计算机视觉任务，例如目标检测，可在视频帧中识别顾客；以及目标跟踪，可持续追踪顾客在不同视频帧中的移动情况。这些能力让系统能够监控结账区域、统计顾客人数并识别正在形成的队伍。
图 1. 使用 YOLO 检测排队人群的示例。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，也能保护顾客数据隐私。
除了实时监控，该解决方案还支持短期预测。它可以提前最多 15 分钟预测队伍增长情况，帮助经理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，也能实现出色的性能。这些模型能够很好地适应不同的摄像头角度和光照条件，有助于在多家门店快速部署，并将重新训练的需求降至最低。
Ultralytics YOLO 模型还支持先进的目标跟踪。系统不只统计人数，还能测量顾客排队等待的时长。这提高了队列状况的可视性，并使实际场景中的告警触发准确率达到 90% 以上。
此外，这套由 YOLO 驱动的系统经过优化，即使每路视频流约为 3 FPS，也能处理 3 到 6 路摄像头视频流。这样既能保持检测准确率，又能大幅降低计算负载，支持高效且可扩展的零售运营。
Ultralytics YOLO 与 Cali Intelligence 将排队长度减少了 43%#
Cali Intelligence 将其由 Ultralytics YOLO 驱动的解决方案部署到 8 个零售门店后，效果立竿见影且有据可查。例如，在其中一家门店，平均排队人数从 7 人降至 4 人，仅两周就减少了 43%。
运营效率和顾客满意度均有所提升。在非高峰时段，系统将不必要的收银台开放量最多减少了 10%，让门店能够根据实际需求更合理地安排人员，避免浪费人力成本。
与此同时，系统在各种门店布局和光照条件下都保持了稳定的检测性能，漏检率低于 6%。高告警准确率让经理能够放心地迅速采取行动，并在门店现场做出明智决策。
这些益处还延伸到了实时监控之外。预测性人力优化的早期测试取得了 0.8 的平均绝对误差（MAE），预测的队列长度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情报，帮助缩短等待时间、优化人员配置并提升整体零售运营表现。
推动零售运营以更智能的方式规模化发展#
随着 Cali Intelligence 持续发展，公司计划继续利用 Ultralytics Python 软件包优化边缘端性能。该软件包提供简化的模型训练、导出和部署工作流，让团队能够更轻松、高效地实施性能改进。
在此基础上，Cali Intelligence 正在探索 TensorRT 和 ONNX 导出格式，以缩短推理时间并提高本地硬件利用率。Cali Intelligence 团队也在评估切换 Ultralytics YOLO 模型版本的方案，从 Medium 切换到 Small，以提高效率，同时保持较高的检测准确率。
总体而言，Cali Intelligence 正在推动零售运营转型，让门店从被动管理转向主动、数据驱动的运营。
想将 AI 引入运营工作吗？访问我们的 GitHub 代码仓库了解更多信息。探索物流领域的 AI和医疗健康领域的计算机视觉。查看我们的许可选项，立即开始。
