Как построить автономный магазин без касс?
Типичный ритейлер, решивший убрать кассы, сталкивается с тремя основными проблемами: неточный трекинг покупателей при перекрытиях, высокая стоимость весовых сенсоров на полках и необходимость обработки видео в реальном времени на edge-устройствах. Пилот на 20 камерах в магазине 80 м² показал, что без правильной архитектуры количество ошибок списания превышает 10%. Мы разбираемся с этой задачей не первый год — опыт команды 5+ лет в компьютерном зрении, за плечами 10+ проектов по бескассовым магазинам. Свяжитесь с нами для оценки вашей площади и ассортимента — внедряем под ключ за 8–12 недель. Экономия операционных затрат при внедрении достигает 20–40%.
Современный стек включает edge-обработку, распознавание без QR и весовых сенсоров. Автономный магазин строится на трёх CV-системах: идентификация покупателя, трекинг перемещений, детекция взаимодействий с товаром. Для edge-вычислений применяем INT8 quantization, снижающую задержку до 50 мс на камеру.
Как мы решаем проблему трекинга покупателей? — разработка ai системы
Трекинг строится на мультикамерной ассоциации детекций. Каждая камера передаёт bounding box’ы с ID, а центральный сервер сводит их в единый трек. Используем BoT-SORT для временного сопоставления и StrongSORT для разрешения конфликтов при пересечениях. На практике это даёт точность трекинга 97% при плотности потока до 5 человек на 10 м². Для ускорения применяем TensorRT с INT8 — latency p99 на одной камере не превышает 30 мс.
Почему детекция взаимодействий — самый сложный модуль?
Это центральная техническая задача. Два подхода:
CV-only — камеры над полками детектируют руку + товар, классифицируют действие. Проблема: загораживание телом, похожие товары, частичная видимость. Для CV-only используем специализированную модель hand-object interaction detection: YOLOv8 для детекции руки и товара → SlowFast (Feichtenhofer et al.) для классификации действия (grab/put back) по 16 кадрам. Исходный код модели доступен в репозитории PyTorchVideo.
CV + shelf sensors — камеры + IoT-датчики на полках (весовые или ёмкостные). CV определяет кто взял, датчик — что и сколько. Надёжность выше на 15%, но установка дороже на 20–30%. Выбор зависит от бюджета и допустимой погрешности; для магазинов с ассортиментом до 500 SKU часто хватает CV-only.
import torch from pytorchvideo.models import create_slowfast model = create_slowfast( input_channels=(3, 3), model_num_class=3, # grab / put_back / no_action slowfast_alpha=8, slowfast_beta_inv=8 ) slow_frames = frames[::8] fast_frames = frames logits = model([slow_frames, fast_frames]) Распознавание товаров: SKU-level vs категория
Два уровня: SKU-level recognition (fine-tuned EfficientNet-B5, топ-1 accuracy 0.91 на 500 SKU) и product category (для неопознанных товаров со средней ценой по категории). Проблема постоянного обновления ассортимента решается ночным пайплайном дообучения: фото с 4–8 ракурсов → augmentation → обучение классификатора. Для быстрой адаптации используем LoRA.
| Подход | Точность | Стоимость оборудования | Сложность внедрения |
|---|---|---|---|
| CV-only | 92–95% | Низкая | Средняя |
| CV + shelf sensors | 99%+ | Высокая | Высокая |
Что входит в проект?
- Архитектура CV-модулей: детекция, трекинг, распознавание.
- Интеграция с кассовым ПО через REST API.
- Дообучение моделей под ваш ассортимент (пайплайн MLOps на W&B и Kubeflow).
- Установка и калибровка оборудования. Обучение персонала.
- Техническая поддержка 24/7 после запуска.
Сколько времени занимает внедрение?
| Размер магазина | Камеры | Срок внедрения |
|---|---|---|
| Микромаркет 20–40 м² | 6–10 | 8–12 недель |
| Магазин у дома 60–120 м² | 15–25 | 14–22 недели |
| Супермаркет 300+ м² | 50–100+ | 6–12 месяцев |
Стоимость рассчитывается с учётом оборудования, зон магазина и ассортимента. Гарантируем точность списания более 99% после калибровки. Средняя окупаемость — 18–24 месяца за счёт сокращения персонала и инвентаризационных потерь.
Типичные ошибки на старте: недостаточное покрытие камерами (слепые зоны ведут к ошибкам трекинга), игнорирование частоты обновления ассортимента (без автоматического пайплайна дообучения точность падает) и выбор CV-only на сложной планировке — здесь лучше комбинировать с сенсорами.
Почему выбирают нас?
5+ лет опыта в CV, 10+ реализованных проектов cashierless. Используем проверенные модели (SlowFast для действий, EfficientNet для товаров) и стеки MLOps (W&B, Kubeflow). Обеспечиваем стабильную работу при пиковой нагрузке (p99 latency < 100 мс). Получите консультацию — оценим ваш проект за 1 день. Закажите пилотный запуск за 2 недели.