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

用计算机视觉做货架陈列合规:缺货、错位与价签识别的可复现流程

上邦 AI 工程团队2026-10-07阅读 约 9 分钟
2026 年实体零售加速数字化门店,计算机视觉货架识别成为高 ROI 场景:实时发现缺货、错位与价签错误,直接改善陈列质量与巡店效率。本文给出可复现流程:用 YOLOv8 训练货架商品检测模型,结合图像比对做陈列合规判定,并说明边缘部署与隐私边界。

背景:数字化门店里的货架之眼

据行业媒体报道,Vusion 的 EdgeSense AI 在 2026 零售科技展获创新奖,其方案用计算机视觉与电子价签实时监测货架的商品可得性、陈列位置与执行合规,已在 Carrefour、Walmart 等门店规模部署。对零售商而言,自动识别缺货、错位与价签错误,能直接改善陈列质量、降低人工巡店成本,是数字化门店中回报清晰的切入点。

可复现一:用 YOLOv8 训练货架商品检测

把每张货架图按 YOLO 格式标注出 SKU 与价签位置,训练一个检测模型,输出每个商品的边界框与类别。
from ultralytics import YOLO

model = YOLO('yolov8n.pt')
model.train(data='shelf.yaml', epochs=80, imgsz=640, batch=16)
metrics = model.val()
print('mAP50-95:', metrics.box.map)

可复现二:陈列合规判定(缺货与错位)

将模型识别结果与标准陈列图(planogram)比对,低于交并比阈值即判为缺货或错位,推送给门店督导。
from PIL import Image
import numpy as np

def iou_of(a, b):
    xa, ya, xb, yb = max(a[0], b[0]), max(a[1], b[1]), min(a[2], b[2]), min(a[3], b[3])
    inter = max(0, xb - xa) * max(0, yb - ya)
    area = (a[2]-a[0])*(a[3]-a[1]) + (b[2]-b[0])*(b[3]-b[1]) - inter
    return inter / area if area else 0.0

def planogram_check(pred_boxes, plan_boxes, iou_thr=0.5):
    issues = []
    for pid, pbox in plan_boxes.items():
        vals = [iou_of(pbox, b) for b in pred_boxes.values()] or [0]
        if max(vals) < iou_thr:
            issues.append(('缺货/错位', pid))
    return issues

边缘部署与隐私边界

货架识别应在门店边缘侧完成,人脸与可识别特征在出店前模糊或匿名化;原始视频留存周期按运营需要设定并自动清理;分析以聚合指标(缺货率、陈列达标率)为目标,不做个体追踪,既合规也更易被顾客接受。

参考来源

Vusion EdgeSense AI 获 Retail Technology Show 2026 创新奖 - Vusion
Ultralytics 官方文档:YOLOv8 目标检测训练 - Ultralytics
The Digital Store Revolution:Empowering Retailers in 2026 - RetailToday
相关标签:零售计算机视觉货架识别YOLOv8陈列合规

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