计算机视觉在零售业中是如何使用的？

零售业中的计算机视觉使用摄像头和 AI 模型来监控货架、自动化结账、分析客户行为并防止损失。Ultralytics YOLO 模型在商店中实时运行这些检查，即时标记缺货、货架图问题或异常活动。

零售计算机视觉是什么？

零售计算机视觉使用 AI 模型来解读店内摄像头、结账系统和后台传感器的视觉数据，自动化货架监控、库存跟踪和客户分析。Ultralytics YOLO26 使用深度学习来识别基于规则的系统所漏掉的细微差异，并适应新产品和商店布局，无需重新设计设置。

计算机视觉如何用于零售分析？

计算机视觉零售分析将视频流转化为客流量、过道停留时间、排队长度和客户人口统计等指标。Ultralytics YOLO 模型处理空间逻辑，识别购物者何时进入区域或排队，以便商店团队根据观察到的行为调整人员配备和布局。

哪种计算机视觉平台适合零售运营？

对于零售运营，请寻找一个能够处理你特定产品和商店布局模型训练，并部署到店内边缘设备以实现低延迟、保护隐私推理的平台。Ultralytics Platform 在一个地方涵盖了标注、训练和部署，并提供用于生产用途的企业许可。

计算机视觉如何用于防损和货架监控？

计算机视觉通过检测自助结账中的 SKU 替换、监控高价值物品防盗、验证货架图合规性以及标记 POS 异常事件以供审查来支持防损。Ultralytics YOLO 在现有 CCTV 或新型边缘摄像头上运行，在库存损失记录后几秒钟内（而不是之后）向员工发出警报。

YOLO 能在零售规模下处理实时检测吗？

可以。Ultralytics YOLO26 使用无 NMS 架构，减少了拥挤商店中的重复检测，并可导出为 TensorRT，以便在标准边缘硬件上进行高吞吐量推理。每月运行数千万次产品检测的零售部署项目，正是利用这种组合在数千台摄像头中保持低延迟。

零售业中的计算机视觉

从货架监控到客户洞察，使用 Ultralytics YOLO 构建零售业的实时视觉 AI 解决方案。

深受全球领先组织信赖

Ultralytics YOLO 如何助力零售业

与您的团队协同工作的实时 AI

专为零售而建，Ultralytics YOLO 利用你现有的基础设施，简化工作流以实现精确、快速且可投入生产的计算机视觉。

即插即用部署：以极低的开销进行部署，将集成时间缩短至数天。
检测精度：跨产品、货架、客户和商店运营的顶尖实时检测。
低于 5ms 的推理：支持边缘、云端或本地部署，拥有 20 种导出格式。
数小时内投入生产：标注、训练和部署，缩短产品上市时间。

申请许可证

零售领域的成熟成果

从结账到货架再到库存，近期应用案例展示了 Ultralytics YOLO 为零售商带来的价值。

无摩擦结账89%

准确、快速的自助结账

Ultralytics YOLO 自助结账系统以 89% mAP 和约 110 FPS 的速度识别产品，通过摄像头完成整篮商品结算，无需逐一扫描。

Tan 等人, Journal of Imaging, 2024

货架上架率86%

及早发现货架空缺

Ultralytics YOLO 货架监控器以 86% AP 标记空缺，让门店能及时发现缺货并进行补货，防止销售损失。

Šikić 等人, Sensors, 2024

实时库存357 FPS

实时扫描拥挤的货架

轻量级 Ultralytics YOLO 检测器以 357 FPS（基准的三倍）速度扫描已装满的货架，通过廉价摄像头实时跟踪库存。

Zhao 等人, PLoS One, 2025

体验 YOLO26 推理

拖放一张图像以查看实时目标检测

实时演示

输入图像

上传图像或选择一个示例进行测试 yolo26n. 预测文档

将图像拖放到此处

或点击浏览

支持 JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP 及更多格式（最大 10MB）

或者尝试一个示例

置信度

0.25

IoU

0.70

图像尺寸

640

API 文档

部署你的模型以获取带有 API 密钥身份验证的专用推理端点，然后将下方的占位符 URL 和密钥替换为你部署的值。部署文档

注意： 这是示例代码。请先部署你的模型以获取端点 URL 和 API 密钥。

import requests

# Replace with your deployment URL and API key
url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"

# Optional inference parameters (conf, iou, imgsz)
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())