欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

零售门店客流与热力分析:用 YOLO 做人数统计并按时段聚合

上邦 AI 工程团队2026-09-14阅读 约 8 分钟
线下零售最缺的是进店多少人、在哪个货架前停留久的结构化数据。本文给出一套可复现方案:用 Ultralytics YOLOv8 做实时人数检测,按门店与时段聚合出客流曲线与滞留热力,再用简单统计识别高峰与冷区。全程基于开源模型,可跑在边缘盒子或店内工控机上,数据留在本店不外传。

问题:线下门店有摄像头,却没有可用的客流数据

多数连锁门店装了监控,但录像只用于防盗,没有沉淀成几时进店、在哪儿停留的经营数据。用计算机视觉把视频转成结构化客流,是低成本撬动精细化运营的第一步。关键约束是数据不出店——模型应在店内边缘设备离线推理,原始视频不外传。

第一步:用 YOLOv8 做实时人数检测

Ultralytics 的 YOLOv8n 自带 person 类别,开箱即可用于客流统计。下面代码加载本地权重,对单帧做推理并统计检测到的人数:
from ultralytics import YOLO

model = YOLO('./models/yolov8n.pt')   # 提前下载到店内设备
results = model('store_cam_001.jpg', verbose=False)
persons = 0
for r in results:
    # COCO 中 person 的类别索引为 0
    persons = int((r.boxes.cls == 0).sum())
print('本帧人数:', persons)
提醒:客流统计涉及顾客人脸与身形,部署前须落实店内公示与隐私合规,建议只保留计数与 anonymized 热力,不留存可识别个人的画面。

第二步:按门店与时段聚合出客流曲线

把每分钟的计数写入本地时序库(如 SQLite 或 DuckDB),再按小时聚合,就能画出一天内的进店曲线,识别午晚高峰与冷区时段:
import sqlite3

con = sqlite3.connect('footfall.db')
con.execute('''CREATE TABLE IF NOT EXISTS tick
    (store TEXT, ts TEXT, persons INTEGER)''')
# 实际部署时由推理线程持续 INSERT 每分钟计数

import pandas as pd
query = '''
SELECT substr(ts,1,13) AS hour, avg(persons) AS avg_p
FROM tick WHERE store=? GROUP BY hour ORDER BY hour
'''
df = pd.read_sql(query, con, params=['A001'])
print(df)

第三步:把客流变成可执行的运营动作

客流曲线叠加货架滞留热力(对检测框做空间聚合)后,门店可以回答具体问题:高峰时段是否缺导购、哪个陈列区看得多买得少、入口到动线的转化断点在哪。把这些指标接入巡店看板,运营动作就从凭感觉排班变成按数据排班。上邦在零售门店的私有化视觉分析方案上有落地经验,若团队希望把多门店客流统一看板化,可参考其边缘部署思路。
提醒:本方案输出的是聚合统计与热力,不识别具体个人;正式上线前请依《个人信息保护法》等要求落实告知与最小化处理。

参考来源

Ultralytics 官方文档(YOLOv8 推理与追踪) - docs.ultralytics.com;OpenCV 官方文档(视频帧读取与预处理) - docs.opencv.org。
相关标签:零售AI客流分析YOLO计算机视觉智慧门店

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案