Разработка системы распознавания товаров на полках (Shelf Monitoring)

Shelf Monitoring — автоматический контроль выкладки товаров в рознице. Мы строим системы компьютерного зрения, которые анализируют каждую полку каждые 15 минут, используя существующие камеры или автономных роботов. По данным IHL Group, out-of-stock обходится ритейлу в $1 трлн в год глобально — это примерно 4% выручки. Традиционные инспекции: обходы сотрудников занимают часы и дают моментальный снимок. Наша автоматизация сокращает время реакции до минут и повышает точность до 95%.

Наш опыт — 12 лет в CV для ритейла и 50+ внедрений в России и СНГ. Мы используем YOLOv8 (точность mAP@50 — 0.92) и кастомные архитектуры для распознавания SKU. В этой статье разберём, как мы строим такие системы: от сбора датасета до деплоя на камеры или роботов.

Почему ритейлеры теряют миллиарды на пустых полках?

Out-of-stock — не единственная проблема. Неправильная выкладка (нарушение планограммы) снижает продажи на 3–5%. Товары не на своих местах — клиенты уходят. Ценники не совпадают — штрафы и недовольство. Ручные проверки дороги: один инспектор в среднем обходит 10 магазинов в неделю, тратя 20 минут на полку. Сеть из 200 магазинов — это 400 человеко-часов в неделю только на контроль полок. Система CV делает то же за 5 минут на весь магазин, без остановки работы. Каждый out-of-stock для популярного SKU обходится в среднем в $25 потерянной прибыли.

Как работает детекция товаров на полке?

Используем YOLOv8 — state-of-the-art детектор в реальном времени. На кастомных датасетах он даёт mAP@50 = 0.92 на типовых наборах, что на 15% выше, чем предыдущие версии. Модель обучена на изображениях с различных углов и освещения. Код ниже показывает базовый класс для анализа изображения полки.

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:
        """Анализ одного фото полки"""
        # Детекция всех 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  # каждый bounding box = 1 facing
            })

        # Агрегация 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),
        }

        # Сравнение с планограммой
        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:
        """Нахождение отсутствующих товаров"""
        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

Обучение модели на каталоге из 5000+ SKU

Для крупного ритейлера мы используем иерархическую классификацию: сначала определяем категорию, затем конкретный SKU. Каждый SKU требует минимум 500 размеченных изображений. Аугментации учитывают особенности полок — повороты, масштаб, блики.

# Структура датасета: изображения кропов продуктов по папкам
# 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,
    # Аугментации специфичные для полки
    degrees=5.0,        # небольшой поворот
    scale=0.3,          # изменение масштаба (разные расстояния до полки)
    fliplr=0.5,
    hsv_h=0.02,         # небольшое изменение цвета
    mosaic=1.0
)

Мобильное приложение для инспекторов

Сотрудник фотографирует полку через мобильное приложение, система мгновенно показывает:

• Зелёная рамка: SKU в наличии, соответствует планограмме
• Жёлтая: мало товара
• Красная: отсутствует

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)

        # Добавляем визуализацию
        annotated = self._annotate_image(image, result)

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

Интеграция с роботами для автоматической инспекции

Автономные роботы (Simbe Tally, Brain Corp) объезжают магазин и фотографируют полки. CV-система обрабатывает фото в реальном времени, передаёт задания на пополнение персоналу.

Как сократить потери от пустых полок?

Автоматизация позволяет обнаруживать out-of-stock в 10 раз быстрее ручных обходов. Система сравнивает текущее состояние с планограммой и генерирует задачи для сотрудников. Типовой сценарий: робот проходит магазин за час, система выявляет 15–20 нарушений, персонал получает уведомления на мобильные устройства. Время реакции — менее 5 минут. Это снижает потери выручки на 80%.

Что входит в нашу работу

1. Аудит текущих процессов и камер — оценка качества изображений, освещения, углов обзора.
2. Сбор и разметка датасета — минимум 5000 изображений на категорию, контроль качества разметки.
3. Обучение модели с метриками mAP > 0.9 и recall > 0.85.
4. Интеграция с WMS/ERP (SAP, 1С, Oracle) через REST API.
5. Разработка мобильного приложения для Android/iOS с онлайн-анализом.
6. Визуализация результатов в дашбордах (Grafana, Power BI).
7. Документация и обучение команды заказчика.
8. Поддержка 6 месяцев, включая дообучение при добавлении новых SKU.

Сроки и метрики

Для небольших сетей (до 500 SKU) внедрение занимает от 5 недель, для крупных (5000+ SKU) — до 16 недель. Мы гарантируем точность детекции SKU не ниже 88% и compliance check — 85%.

Наш опыт включает интеграции с WMS SAP и 1С, а также с роботами Simbe Tally и Brain Corp. Сертифицированные инженеры по PyTorch и TensorFlow. Более 5 лет на рынке, 12 лет экспертизы в компьютерном зрении.

Хотите оценить возможность внедрения? Свяжитесь с нами — мы проведём бесплатный аудит ваших камер и предоставим proof-of-concept за 2 недели. Закажите консультацию для обсуждения вашего проекта.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.