Shelf Monitoring — автоматичний контроль викладки товарів у роздробі

Ми будуємо системи комп'ютерного зору, які аналізують кожну полицю кожні 15 хвилин, використовуючи наявні камери або автономних роботів. За даними IHL Group, out-of-stock обходиться ритейлу в $1 трлн на рік глобально — це приблизно 4% виручки. Традиційні інспекції: обходи співробітників займають години і дають моментальний знімок. Наша автоматизація скорочує час реакції до хвилин і підвищує точність до 95%.

Наш досвід — 12 років у CV для ритейлу і 50+ впроваджень в Росії та СНД. Ми використовуємо YOLOv8 (точність mAP@50 — 0.92) і кастомні архітектури для розпізнавання SKU. У цій статті розберемо, як ми будуємо такі системи: від збору датасету до деплою на камери чи роботів.

Чому ритейлери втрачають мільярди на порожніх полицях?

Out-of-stock — не єдина проблема. Неправильна викладка (порушення планограми) знижує продажі на 3–5%. Товари не на своїх місцях — клієнти йдуть. Цінники не співпадають — штрафи та невдоволення. Ручні перевірки дорогі: один інспектор в середньому обходить 10 магазинів на тиждень, витрачаючи 20 хвилин на полицю. Мережа з 200 магазинів — це 400 людино-годин на тиждень лише на контроль полиць. Система CV робить те ж саме за 5 хвилин на весь магазин, без зупинки роботи. Кожен out-of-stock для популярного SKU обходиться в середньому в $25 втраченого прибутку.

Як працює детекція товарів на полиці?

Використовуємо YOLOv8 — state-of-the-art детектор в реальному часі. На кастомних датасетах він дає mAP@50 = 0.92 на типових наборах, що на 15% вище, ніж попередні версії. Модель навчена на зображеннях з різних кутів та освітлення. Код нижче показує базовий клас для аналізу зображення полиці.

from ultralytics import YOLO
import numpy as np
import cv2

class ShelfMonitoringSystem:
    def __init__(self, product_model_path: str,
                 planogram_path: str = None):
        self.detector = YOLO(product_model_path)
        self.planogram = self._load_planogram(planogram_path) if planogram_path else None

    def analyze_shelf_image(self, image: np.ndarray) -> dict:
        """Аналіз одного фото полиці"""
        # Детекція всіх SKU
        detections = self.detector(image, conf=0.4, iou=0.5)

        detected_products = []
        for box in detections[0].boxes:
            sku = self.detector.model.names[int(box.cls)]
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            detected_products.append({
                'sku': sku,
                'bbox': [x1, y1, x2, y2],
                'confidence': float(box.conf),
                'facings': 1  # кожен bounding box = 1 facing
            })

        # Агрегація по SKU
        sku_counts = {}
        for product in detected_products:
            sku = product['sku']
            if sku not in sku_counts:
                sku_counts[sku] = {'count': 0, 'positions': []}
            sku_counts[sku]['count'] += 1
            sku_counts[sku]['positions'].append(product['bbox'])

        result = {
            'detected_skus': sku_counts,
            'total_facings': len(detected_products),
        }

        # Порівняння з планограмою
        if self.planogram:
            result['planogram_compliance'] = self._check_planogram(
                sku_counts, self.planogram
            )
            result['out_of_stock'] = self._find_out_of_stock(
                sku_counts, self.planogram
            )

        return result

    def _find_out_of_stock(self, current: dict, planogram: dict) -> list:
        """Знаходження відсутніх товарів"""
        missing = []
        for sku, expected_facings in planogram.items():
            current_facings = current.get(sku, {}).get('count', 0)
            if current_facings == 0:
                missing.append({'sku': sku, 'status': 'out_of_stock',
                                 'expected_facings': expected_facings})
            elif current_facings < expected_facings * 0.5:
                missing.append({'sku': sku, 'status': 'low_stock',
                                 'current': current_facings,
                                 'expected': expected_facings})
        return missing

Навчання моделі на каталозі з 5000+ SKU

Для великого ритейлера ми використовуємо ієрархічну класифікацію: спочатку визначаємо категорію, потім конкретний SKU. Кожен SKU потребує мінімум 500 розмічених зображень. Аугментації враховують особливості полиць — повороти, масштаб, відблиски.

# Структура датасету: зображення кропів продуктів по папках
# dataset/
#   train/
#     category_beverages/
#       sku_cola_1l/
#       sku_juice_orange/
#     category_dairy/
#       ...

from ultralytics import YOLO

model = YOLO('yolov8l.pt')
model.train(
    data='shelf_products.yaml',
    epochs=200,
    imgsz=640,
    batch=32,
    workers=8,
    optimizer='AdamW',
    lr0=1e-3,
    # Аугментації специфічні для полиці
    degrees=5.0,        # невеликий поворот
    scale=0.3,          # зміна масштабу (різні відстані до полиці)
    fliplr=0.5,
    hsv_h=0.02,         # невелика зміна кольору
    mosaic=1.0
)

Мобільний додаток для інспекторів

Співробітник фотографує полицю через мобільний додаток, система миттєво показує:

• Зелена рамка: SKU в наявності, відповідає планограмі
• Жовта: мало товару
• Червона: відсутній

class ShelfInspectionAPI:
    def __init__(self, monitor: ShelfMonitoringSystem):
        self.monitor = monitor

    def analyze_photo(self, image_bytes: bytes,
                       store_id: str,
                       shelf_id: str) -> dict:
        image = cv2.imdecode(
            np.frombuffer(image_bytes, np.uint8),
            cv2.IMREAD_COLOR
        )
        result = self.monitor.analyze_shelf_image(image)

        # Додаємо візуалізацію
        annotated = self._annotate_image(image, result)

        return {
            'store_id': store_id,
            'shelf_id': shelf_id,
            'analysis': result,
            'annotated_image_base64': encode_image_b64(annotated)
        }

Інтеграція з роботами для автоматичної інспекції

Автономні роботи (Simbe Tally, Brain Corp) об'їжджають магазин і фотографують полиці. CV-система обробляє фото в реальному часі, передає завдання на поповнення персоналу.

Як скоротити втрати від порожніх полиць?

Автоматизація дозволяє виявляти out-of-stock в 10 разів швидше ручних обходів. Система порівнює поточний стан з планограмою і генерує завдання для співробітників. Типовий сценарій: робот проходить магазин за годину, система виявляє 15–20 порушень, персонал отримує сповіщення на мобільні пристрої. Час реакції — менше 5 хвилин. Це знижує втрати виручки на 80%.

Що входить в нашу роботу

1. Аудит поточних процесів і камер — оцінка якості зображень, освітлення, кутів огляду.
2. Збір і розмітка датасету — мінімум 5000 зображень на категорію, контроль якості розмітки.
3. Навчання моделі з метриками mAP > 0.9 і recall > 0.85.
4. Інтеграція з WMS/ERP (SAP, 1С, Oracle) через REST API.
5. Розробка мобільного додатку для Android/iOS з онлайн-аналізом.
6. Візуалізація результатів у дашбордах (Grafana, Power BI).
7. Документація і навчання команди замовника.
8. Підтримка 6 місяців, включаючи донавчання при додаванні нових SKU.

Терміни та метрики

Для невеликих мереж (до 500 SKU) впровадження займає від 5 тижнів, для великих (5000+ SKU) — до 16 тижнів. Ми гарантуємо точність детекції SKU не нижче 88% і compliance check — 85%.

Наш досвід включає інтеграції з WMS SAP і 1С, а також з роботами Simbe Tally і Brain Corp. Сертифіковані інженери з PyTorch і TensorFlow. Понад 5 років на ринку, 12 років експертизи в комп'ютерному зорі.

Хочете оцінити можливість впровадження? Зв'яжіться з нами — ми проведемо безкоштовний аудит ваших камер і надамо proof-of-concept за 2 тижні. Замовте консультацію для обговорення вашого проекту.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.