Как мы построили сервис компьютерного зрения на базе внешних VLM для контроля выкладки и ценников: опыт Fix Price

Забавно, что вместо юзер-френдли постановки задачи заведующему магазином в приложении вроде:

- «Кофе растворимый сублимированный Rich Dor Irish Cream»

- плюс - изображение товара из базы эталонных изображений

Вы решили «городить этот огород» с VLM. По крайней мере это следует их описания исходной проблемы

Максимальное значение – +2%.

Вы уверены что это не обычные колебания?

Ночью для каждого SKU (Stock Keeping Unit), то есть уникальной товарной позиции в конкретном магазине, система на основе накопленной истории рассчитывает индивидуальные нормативы продаж на завтрашний день.

Подробнее можете написать?

Возможно отсюда могут «расти ноги» плюс 2 процента.

а из каких данных запланировано продажа один в 200 чеков?

Система работает чётко, но всё упирается в неэффективное складирование в самом магазине, верно?

Не разбираюсь в мерчандайзинге, при этом нельзя ли поделить полки на зоны для конкретного товара и обучить камеры считывать заполняемость? Есть приход. Есть ~ габарит условной бутылки газировки, габариты полки. Можно высчитать или эмпирическим путём определить сколько товара помещается на полке при полной выкладке. Закрепить полку под конкретный товар. Каждой полке с товаром присвоить QR–код. Так промышленное зрение может оценивать остатки на полке и сразу же сравнивать с количеством купленного товара. Условно — по чеку 2 газировки Rich, а на полке стало меньше на 3 бутылки. Сразу алерт заведующему проверить полку — либо украли, либо нарушился порядок выкладки и просто запихали вглубь.

Либо пойти другим путём — использовать полки для бутылок, тогда можно использовать промышленное зрение, поскольку на каждой крышке акциза. Или можно сделать элементарный расчёт по геометрии