Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%

在高峰时段，繁忙的零售店内结账队伍会迅速增长。随着排队人数增加，等待时间变长，员工会感到应接不暇，购物者也可能会在完成购买前放弃购物车。

大多数商店已经部署了 CCTV 系统。然而，这些摄像头通常仅用于监控，无法提供实时的运营洞察。这意味着门店团队无法提前发现拥堵，也无法在排队演变成问题前采取行动。

Cali Intelligence 通过 AI 驱动的零售监控来应对这些运营挑战。他们通过 computer vision 技术升级现有的 CCTV 基础设施，将实时视频流转化为实时的运营数据。

例如，使用 Ultralytics YOLO 模型，他们的系统可以检测结账通道、识别活跃队列并测量客户积压情况。这有助于门店团队迅速响应并防止长时间的等待。

Link to this section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。该公司创立的目标是在法国零售业中普及人工智能，并通过 computer vision 帮助零售商提升业绩和改善客户体验。

实体零售业的一个关键挑战是对卖场活动的可见度有限。不可预测的排队情况和不均匀的员工分配使得门店团队难以快速响应，尤其是在结账队伍迅速增长的高峰时段。

零售团队往往被迫进行被动式决策而非主动管理。Cali Intelligence 通过让零售商更好地实时了解店内发生的情况，弥补了这一差距。

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 和服装零售。如今，该公司与 Intermarché 和 Leclerc 等法国大型零售商合作，支持更高效、响应更迅速的门店运营。

Link to this section实体零售门店运营的复杂性#

长长的结账队列是导致购物放弃的主要原因之一。客户的结账体验往往决定了交易是完成还是被放弃。

即使客户已经装满了购物篮，长排队也会削弱购买意愿。这会导致直接的销售额损失。

事实上，其影响不仅限于单笔交易。反复的延误会使客户感到沮丧，并可能促使他们转向提供更快捷服务的竞争对手。长此以往，这会削弱客户忠诚度并减少重复访问。

长队列也给门店团队带来了巨大压力。在运营层面，管理层往往难以足够迅速地做出反应。

在许多情况下，团队只有在队伍已经变得拥挤时才会做出反应，在情况变得紧急时才开放额外收银台。这种被动方法迫使员工陷入不断的“救火”状态，而不是实现顺畅、一致的服务。

员工配置增加了复杂性。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，商店最终会在非高峰时段人员过剩，而在高峰时段人员不足，导致两端的效率低下。

Link to this section利用 Ultralytics YOLO 优化零售结账#

为了改善门店管理和客户体验，Cali Intelligence 通过现有的摄像头基础设施，利用 computer vision 实现结账监控自动化。他们的解决方案直接与标准的视频管理系统 (VMS) 集成，允许店长在超过排队阈值时收到即时警报。

这使得团队能够在队伍变得太长之前开放额外收银台或重新分配人员。该解决方案的核心是 Ultralytics YOLO 模型。

Ultralytics YOLO 模型支持关键的 computer vision 任务，例如识别视频帧中客户的目标检测，以及跨帧追踪客户的目标追踪。这些功能使系统能够监控结账区域、计算客户人数并识别正在形成的队列。

图 1. YOLO 被用于检测排队人群的示例。图片来源：Ultralytics。

通过检测和追踪实时视频流中的个人，该解决方案还可以估计等待时间并标记正在形成的瓶颈。特别是，该系统使用边缘优先架构在紧凑的现场服务器上运行。这确保了全天候运行，同时保持客户数据隐私。

除了实时监控外，该解决方案还支持短期预测。它可以提前 15 分钟预测排队积压情况，帮助经理根据预期客流量调整员工配置水平。

Link to this section为何选择 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实现高性能。这些模型在不同的摄像头角度和光照条件下表现出良好的泛化能力，从而支持以最少的重新训练在多家门店快速部署。

Ultralytics YOLO 模型还支持高级目标追踪。系统不仅依赖人数统计，还能测量客户在队列中停留的时间。这提高了对队列的可视化程度，并有助于在实际应用中实现超过 90% 的警报触发准确率。

此外，该 YOLO 驱动的系统经过优化，能够以每个流约 3 FPS 的速度处理 3 到 6 个摄像头流。这使其能够在保持检测准确性的同时显著降低计算负载，支持高效且可扩展的零售运营。

Link to this sectionUltralytics YOLO 和 Cali Intelligence 将排队长度减少了 43%#

当 Cali Intelligence 在八个零售点部署其基于 Ultralytics YOLO 的解决方案时，效果既直接又可量化。例如，在其中一个站点，平均排队长度从 7 人降至 4 人，在短短两周内减少了 43%。

运营效率随客户满意度一同提高。在非高峰时段，该系统减少了高达 10% 的不必要收银台开启，使门店能够将员工配置水平与实际需求更紧密地匹配，并避免浪费人力成本。

同时，检测性能在不同的商店布局和光照条件下保持稳定，漏报率低于 6%。极高的警报准确率让经理们有信心在卖场迅速采取行动并做出明智决策。

其好处也超出了实时监控的范围。对预测性人力优化的初步测试实现了 0.8 的平均绝对误差 (MAE)，排队长度预测值与实际计数仅差一人，实现了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，从而帮助缩短等待时间、优化人员配置并提升整体零售绩效。

Link to this section推进更大规模的更智能零售运营#

随着 Cali Intelligence 的不断发展，该公司计划继续使用 Ultralytics Python 软件包 优化其边缘性能。该软件包提供了一个精简的工作流程，用于模型训练、导出和部署，使得更高效地实施性能提升变得更加容易。

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，以在保持高检测准确率的同时提高效率。

总的来说，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、以数据驱动的绩效管理。

想将 AI 引入运营吗？请访问我们的 GitHub 存储库以了解更多信息。探索 AI in logistics 和 computer vision in healthcare。查看我们的 licensing 选项以开始使用。