Детекция пустых полок (out-of-stock) через компьютерное зрение в 2026 году: как это работает и сколько стоит
Опубликовано: 2026-07-02 · Обновлено: 2026-07-02
Главное из статьи — за 30 секунд:
- •Внедрение видеодетекции сокращает время реакции на пустую полку с 4 часов до 5–10 минут
- •Проект автоматизации контроля полок для сети из 10–30 магазинов стоит 0,6–2 млн рублей
- •Средняя окупаемость системы компьютерного зрения в ритейле составляет от 3 до 5 месяцев
- •Использование нейросетей увеличивает выручку на 4–7% за счет повышения доступности товаров
- •Автоматизация аудита выкладки снижает операционные расходы на персонал на 25–40%
- •Точность распознавания товаров в холодильниках достигает 97% при использовании специализированных полочных камер
Что такое детекция пустых полок через компьютерное зрение и зачем она бизнесу?
Коротко: Детекция пустых полок через компьютерное зрение — система, которая по фото или видео с камер магазина автоматически определяет пустые зоны на полках, сверяет их с планограммой и создаёт задачу для персонала в мобильном приложении. Ручные обходы фиксируют пустоту в среднем через 2–6 часов, CV-система — за минуты. Внедрение сокращает окно реагирования, что снижает потери от Lost Sales у крупных сетей FMCG и дискаунтеров.
Человеческая проверка выкладки не успевает покрыть сотни и тысячи SKU в пиковые часы трафика. Мерчандайзер физически может обойти лишь ограниченное число стеллажей за смену. CV-продукт превращает обычную камеру в автоматизированного аудитора. Этот инструмент локализует пустые участки и конкретные SKU в реальном времени. Нейросеть возвращает координаты пустого фейса, идентификатор товара или признак нарушения планограммы, что позволяет направлять персонал прямо к проблемной зоне.
Для сетевого ретейлера экономический эффект очевиден. Покупатель, не найдя нужный товар, уходит к конкуренту либо выбирает заменитель. В проектах МАЙПЛ автоматизация OOS улучшала On Shelf Availability (OSA) и избавляла мерчандайзеров от лишних обходов. В одном из кейсов перевод оповещений в мобильное приложение снизил среднее время реакции с 3–4 часов до 5–10 минут. Такой результат прямо отражается на восстановленных продажах.
«Ручной обход полки фиксирует пустоту через несколько часов, а CV-система — за минуты, и в ритейле это разница между потерянной и сохранённой продажей» — Даниил Акерман, ведущий эксперт в сфере ИИ, компания МАЙПЛ.
По данным кейса Fix Price (2026), интеграция визуальных данных и ERP помогает выявлять ситуации, когда товар числится на остатках, но отсутствует в торговом зале. Обычно это происходит из-за пересортицы или неправильной логистики склада. Для дискаунтеров и супермаркетов с высокой частотой оборота товаров CV становится основным инструментом контроля доступности.
| Ситуация | Проблема | Решение CV-системы |
|---|
| Товар закончился в 14:00 | Сотрудник заметит это только при плановом обходе в 18:00 | Моментальный алерт в мобильное приложение персонала для пополнения |
| Полка завалена коробками | Покупатель не видит товар, хотя он формально в наличии | Детекция препятствий и сигнал о необходимости расчистки зоны |
| Товар переставлен не на свое место | Нарушение планограммы снижает конверсию полки | Автоматическая сверка позиции каждого SKU с эталонным фото |
Что сделать сейчас:
- •Замеряйте текущее время от реального обнуления ходового SKU до его пополнения в флагманском магазине.
- •Попросите ИТ-отдел провести аудит камер — проверьте покрытие ключевых категорий: алкоголь, молочная продукция, бытовая химия.
- •Оставьте заявку на расчёт потенциального ROI в МАЙПЛ — получите прогноз окупаемости проекта при текущем уровне OOS.
Как работает система автоматического контроля наличия товаров на полках?
Коротко: Система состоит из четырёх этапов: захват кадра камерой, детекция объектов и пустых зон нейросетью, сверка с планограммой и ERP, генерация задачи в мобильное приложении персонала. Двухуровневая проверка отделяет реальные OOS от случаев, когда полку загораживает коробка или тележка, и снижает число ложных алертов.
Технически система опирается на алгоритмы детекции объектов. Нейросеть локализует каждую единицу товара и пустые участки с помощью Bounding Box — прямоугольников с координатами. В 2026 году в ритейле доминируют архитектуры RetinaNet и Feature Pyramid Network (FPN). Они обеспечивают устойчивое распознавание мелких и крупных SKU на одном кадре. FPN особенно полезна для однотипных полок, где рядом находятся и массивные упаковки, и мелкие пачки.
«Двухуровневый подход, где вторичная сверка фото с эталонной базой SKU дополняет первичную детекцию, снимает большинство претензий к точности системы» — Даниил Акерман, эксперт по ИИ.
Камера отправляет кадр на edge-контроллер или в облачный сервер. На сервере модель выделяет зоны интереса и классифицирует их по статусу: правильный SKU, чужой товар, пусто или помеха. Затем сервис сравнивает результат с эталонной планограммой и данными ERP магазина. Если визуально полка пуста, а в учёте значатся остатки, система отмечает аномалию и направляет задачу мерчандайзеру.
В проектах МАЙПЛ мы применяем вторичную сверку. Это сравнение текущего снимка с эталонной базой изображений SKU и статистикой продаж. Метод помогает отличить истинный OOS от ситуаций, когда полка закрыта коробкой или в визуальном поле появились посторонние предметы. В одном пилоте добавление модуля распознавания препятствий снизило долю ложных алертов на 60% уже в первые две недели.
Ключевым этапом остается интеграция с ERP и мобильным интерфейсом. Когда система подтверждает отсутствие SKU, она запрашивает остатки на складе и формирует конкретное задание. Сотрудник видит, какой товар нужно взять и в какой стеллаж поставить. В кейсе Fix Price такое оповещение персонала сократило время реакции до нескольких минут, что позволило максимально быстро восстанавливать продажи.
| Этап обработки | Технология / Алгоритм | Результат для бизнеса |
|---|
| Захват кадра и локализация | Bounding Box, RetinaNet | Координаты каждого товара на полке |
| Анализ масштабов | Feature Pyramid Network (FPN) | Распознавание мелких SKU рядом с крупными |
| Сверка с базой | Планограмма и ERP-запрос | Выявление расхождений факта и учёта |
| Фильтрация помех | Двухуровневая нейросеть | Снижение ложных алертов из-за тележек, коробок |
Как компьютерное зрение помогает снизить процент пустых полок и сколько это стоит?
Коротко: Для сети из 10–30 магазинов типовой проект CV-детекции OOS стоит от 600 000 до 2 000 000 руб, разворачивается за 2–4 месяца. По внутренним данным МАЙПЛ, ROI в первый год в ряде проектов составил 180–320%; средняя окупаемость — 3–5 месяцев после запуска. Основные экономии — рост OSA и сокращение ручных проверок.
Экономика проекта строится на сокращении времени реакции. Если ходовой SKU заканчивается в 11:00, а обход запланирован на 14:00, магазин теряет три часа продаж. CV-система сокращает это окно до 2–5 минут. Она отправляет пуш-уведомление на смартфон конкретного сотрудника склада или мерчандайзера. В одном из проектов сети среднего формата это привело к снижению потерь по топ-100 SKU на 12% за первый квартал.
«Пустая полка и загороженная коробкой полка — это разные проблемы, и система должна их различать, иначе персонал перестанет доверять алертам» — Даниил Акерман, эксперт по ИИ.
Стоимость запуска зависит от количества камер, объёма дообучения модели под условия магазина и сложности интеграции с ERP. Пилот на 10–30 точек обычно включает настройку серверной части, подготовку датасета и создание системы уведомлений. В наших проектах 60–70% клиентов успешно использовали существующую систему видеонаблюдения. Это существенно снижает первоначальные CAPEX, так как отпадает необходимость в покупке новых камер.
Экономический эффект складывается из трех факторов:
- •Увеличение OSA и возврат упущенной выручки. В ряде кейсов показатель достигал 4–7% выручки согласно анализу RBC за 2026 год.
- •Снижение операционных расходов. По данным МАЙПЛ, у 73% клиентов оперрасходы упали на 25–40% за счет оптимизации труда.
- •Направление ресурсов мерчандайзеров только в те зоны, где действительно требуется пополнение товара.
| Параметр эффективности | Значение показателя | Срок / Условие |
|---|
| Инвестиции в проект | 600 000 — 2 000 000 руб | Для сети 10–30 магазинов |
| Срок окупаемости (PBP) | 3 — 5 месяцев | После запуска пилота и калибровки |
| Возврат инвестиций (ROI) | 180 — 320% | В отдельных проектах за первый год |
| Снижение оперрасходов | 25 — 40% | За счёт сокращения ручных проверок |
В розничных сетях с высокой оборачиваемостью вложения в CV-мониторинг окупаются быстрее открытия новых торговых точек. Снижение OOS на 2–3% дает эффект, сопоставимый с запуском дополнительных филиалов, но не требует капитальных затрат на аренду и ремонт.
Какие риски и ограничения у детекции пустых полок через CV?
Коротко: Риски — ложные срабатывания из-за сдвинутых товаров, блики от освещения, неверный угол камеры; ограничение — необходимость дообучения при вводе новых SKU. Двухуровневая сверка фото с эталонной базой и статистикой продаж снижает число ложных алертов уже в первые недели эксплуатации.
Основные технические сложности связаны с ложноположительными срабатываниями. Система может принять за пустоту товар, сдвинутый в глубь полки. Бывают и пропуски, если обзор закрыт покупателем или тележкой. Если не настроить фильтрацию помех, персонал быстро начнет игнорировать уведомления. В одном из пилотов доля проигнорированных алертов упала на 45% сразу после корректировки порогов вероятностей и добавления контроля препятствий.
«Начинать стоит с пилота на нескольких точках с самой высокой долей OOS — там эффект заметен уже в первый месяц» — Даниил Акерман, эксперт по ИИ.
Качество работы алгоритмов сильно зависит от условий в торговом зале. Глянцевые упаковки и яркое LED-освещение создают блики, искажающие цвета и текстуры. Углы обзора более 45 градусов приводят к появлению «слепых зон». Для решения этих проблем мы используем поляризационные фильтры, меняем положение камер или монтируем специализированные полочные устройства в критически важных зонах. В проектах с холодильными витринами установка полочных камер подняла точность распознавания SKU с 82% до 97%.
Ротация ассортимента также требует внимания. При вводе новых брендов модель нуждается в дозагрузке примеров. Практика доказывает: для поддержания точности выше 95% необходимо регулярное дообучение на реальных фото из магазинов. Синтетических данных здесь недостаточно. Интеграция с ERP помогает системе автоматически помечать новинки и подгружать их снимки в пайплайн обучения.
| Типичная ситуация | Причина проблемы | Что сделать для исправления |
|---|
| Ложноположительный OOS | Товар задвинут вглубь полки (тень) | Использовать модели с глубокой локализацией признаков и дообучение на реальных примерах |
| Игнорирование пустоты | Блик от упаковки или ценника | Протестировать углы установки и поляризационные фильтры |
| Ошибка классификации | Ввод нового SKU без обучения модели | Автоматическая выгрузка фото новинок в пайплайн обучения |
Что сделать сейчас:
- •Проведите аудит видеонаблюдения: определите «слепые зоны», где стеллажи перекрываются колоннами или навигацией.
- •Протестируйте детекцию на одной сложной категории (консервы, мелкая косметика) в течение 7–14 дней, чтобы оценить предел точности без дообучения.
- •Свяжитесь с экспертами МАЙПЛ для расчёта точности нейросети по вашим углам камер и условиям освещения.
С чего начать внедрение детекции пустых полок в магазине?
Коротко: Начните с пилота на 2–5 торговых точках с наибольшим уровнем OOS: аудит камер, сбор репрезентативного датасета полок в разное время суток, тестирование модели и интеграция с мобильным приложением для мерчандайзеров. После подтверждения гипотезы — масштабирование и глубокая интеграция с ERP.
Первым шагом станет полевой аудит парка камер. Обычно проект можно запустить на уже установленном IP-оборудовании, если его разрешения хватает для различия границ SKU. Выбирайте пилотные магазины с разной топологией стеллажей и типами освещения, чтобы получить репрезентативный тренировочный набор данных. Для устойчивой работы модели в конкретной точке на этапе пилота нужно собрать не менее 5–10 тысяч аннотированных кадров.
«Большинство сетей запускают проект на существующих камерах видеонаблюдения, не закупая специализированное оборудование» — Даниил Акерман, эксперт по ИИ.
Выбор программного стека определяет точность и сроки окупаемости. Розничные сети с типовым ассортиментом могут быстро стартовать через внешние CV-сервисы. Однако крупным FMCG-ретейлерам с нестандартной выкладкой выгоднее развивать кастомное решение на базе RetinaNet или FPN. Такой подход обеспечивает более высокую точность и проще адаптируется к локальным особенностям. По нашему опыту, полный пилот с калибровкой занимает от 2 до 4 месяцев.
Обязательным этапом является внедрение CV в операционные процессы. Система обязана генерировать задачи для исполнителя и фиксировать их завершение через фотоотчет с таймстемпом. В кейсе Fix Price синхронизация алертов с мобильным приложением мерчандайзеров сократила среднее время закрытия задачи с двух часов до 7–12 минут.
Какие камеры нужны для детекции пустых полок — обычные или специализированные?
Коротко: В большинстве случаев подходят стандартные IP-камеры с разрешением от 2 Мп и корректным углом обзора, покрывающим глубину стеллажа. Специализированные полочные камеры нужны для мелких SKU или плотной расстановки (косметика, специи), холодильных витрин и глубоких стеллажей.
Главными критериями при выборе оборудования остаются расположение объектива и стабильность освещения. Для качественной детекции равномерность кадра и отсутствие перекрытий важнее, чем наличие встроенных нейросетевых чипов в самих камерах. Я рекомендую использовать Full HD камеры с фиксированным фокусом. Оптимально размещать их под углом не более 30–35 градусов к плоскости полки. Если угол превышает 45 градусов, риск ошибок из-за перспективных искажений резко возрастает.
«Планограмма — это не разовая настройка, модель нужно дообучать при каждом значимом обновлении выкладки» — Даниил Акерман, эксперт по ИИ.
Для холодильных секций и узких проходов подходят полочные камеры, которые крепятся на противоположном борту стеллажа. Они повышают точность распознавания до 98% даже при переменном свете, хотя их установка обходится дороже. Оптимальный вариант по соотношению цены и качества — комбинация штатных камер для общих зон и полочных устройств в ключевых категориях.
Рыночный анализ за 2026 год показывает, что неправильный выбор ракурса и низкое разрешение становятся причиной 40% проблем при масштабировании. Перед стартом стоит сделать тестовые снимки и проверить их базовым алгоритмом сегментации. Если границы ценников и упаковок сливаются, камеру нужно менять или перевешивать до запуска основной модели.
| Тип оборудования | Плюсы | Минусы | Когда использовать |
|---|
| Камеры видеонаблюдения | Нулевая стоимость закупки, лёгкое масштабирование | Искажения, перекрытия обзора | Мониторинг крупногабаритной выкладки |
| Полочные камеры | Детализация, отсутствие «слепых зон» | Дороже в установке и питании | Мелкие SKU, косметика, аптечные товары |
| PTZ-камеры (поворотные) | Охват большой площади одной камерой | Низкая частота по каждой полке | Гипермаркеты с широкими проходами |
Экономически оправдано направлять сэкономленные на камерах средства на серверные мощности и интеграцию. Для большинства сценариев FMCG достаточно обновлять кадр раз в 10–15 минут. Такой график не перегружает сеть, но сохраняет актуальность данных.
Можно ли с помощью AI определять долю полки конкурентов и своего бренда?
Коротко: Да. Та же модель, которая детектирует пустые зоны, может считать share of shelf — она распознаёт SKU и sub-brand по визуальным признакам упаковки и вычисляет соотношение занимаемого пространства в реальном времени. Это даёт категорийному менеджеру метрику видимости бренда и предупреждает о смещении фейсинга в пользу конкурента.
Автоматический подсчет доли полки превращает мониторинг из чисто операционного инструмента в аналитический. Система измеряет площадь, занятую каждым брендом, и строит временные ряды данных. Эти показатели помогают жестко контролировать соблюдение контрактов с поставщиками. Если бренд оплатил 30% пространства, CV выявит несоответствие с точностью до сантиметра и подготовит отчет. В проектах, где такая аналитика использовалась для переговоров с дистрибьюторами, выручка по категории вырастала на 5–10% после корректировки выкладки.
Процесс обработки данных идет иерархически. Сначала нейросеть определяет общую категорию и зону, затем выделяет отдельные фейсинги. На финальном этапе система сопоставляет обнаруженные объекты с базой SKU. По статистике GoodsChecker (2026), автоматизация Shelf Eye ускоряет аудит планограмм в 12 раз по сравнению с ручными замерами.
«Доля полки конкурентов — это не просто аналитика, а способ предсказать будущий дефицит своего товара на неделю-две вперёд» — Даниил Акерман, эксперт по ИИ.
Часто задаваемые вопросы
Сколько стоит внедрение детекции пустых полок через компьютерное зрение?
Основные затраты приходятся на интеграцию с ERP, доработку серверной части и адаптацию модели под условия конкретных магазинов. Типовой бюджет запуска для сети из 10–30 точек составляет от 600 000 до 2 000 000 руб. Использование существующей видеоинфраструктуры позволяет значительно сэкономить на старте.
За сколько месяцев окупается CV-система контроля OOS?
Стандартный срок окупаемости составляет 3–5 месяцев после запуска пилота и отладки процессов. В ряде реализованных проектов ROI за первый год достигал 320% за счет эффективного возврата упущенных продаж и перераспределения рабочего времени персонала.
Можно ли использовать обычные камеры видеонаблюдения для детекции пустых полок?
Да, это возможно. Современные алгоритмы успешно обрабатывают стандартные потоки с разрешением от 2 Мп. Главное — обеспечить стабильную передачу кадров и корректный ракурс. Обновления данных раз в 15 минут вполне хватает для контроля товарных запасов в FMCG.
Что лучше для детекции OOS — готовый VLM-сервис или кастомная нейросеть?
Крупным сетям с уникальными требованиями к выкладке и огромным количеством SKU лучше подходит кастомная модель. Она обеспечивает максимальную точность. Готовые VLM-сервисы хороши для быстрого тестирования гипотез, но часто требуют сложной подстройки под специфические товары.
Можно ли интегрировать детекцию пустых полок с мобильным приложением персонала?
Интеграция с рабочим софтом сотрудников — обязательное условие успеха проекта. Система должна сама ставить задачи мерчандайзерам и проверять их выполнение. Это сокращает время реакции в десятки раз.
Как отличить настоящий out-of-stock от ошибки выкладки при CV-детекции?
Мы используем кросс-верификацию визуальных данных с чеками и ERP. Если камера фиксирует пустоту, но по документам товар есть, система пометит это как ошибку выкладки или затоваривание на складе. Сотрудник получит соответствующее указание.
Итоги и первые шаги
Компьютерное зрение стало обязательным инструментом борьбы с пустыми полками. Внедрение технологии окупается за считанные месяцы, а связка CV с мобильными задачами для линейного персонала реально снижает операционные расходы. Вот что нужно сделать для старта:
- •Оцените возможности вашей инфраструктуры: проверьте ракурсы и качество картинки на объектах.
- •Приведите в порядок цифровые планограммы и убедитесь, что данные по остаткам в ERP актуальны.
- •Запустите пилот на 3–5 проблемных точках, чтобы за месяц увидеть реальный прирост выручки.
Обсудить с МАЙПЛ внедрение CV-системы контроля пустых полок для вашей сети
«ROI 180–320% за первый год — это результат не только сокращения потерянных продаж, но и снижения нагрузки на персонал, который раньше вручную обходил полки» — Даниил Акерман, ведущий эксперт в сфере ИИ.
По данным RBC (2026), автоматизация выкладки возвращает до 7% выручки в сетях с высокой оборачиваемостью. Для минимизации рисков придерживайтесь строгого плана: от технического аудита до полной интеграции в бизнес-процессы.
Словарь терминов
Out-of-Stock (OOS) — полное отсутствие конкретной товарной позиции на полке в момент посещения покупателем при наличии спроса. OOS напрямую приводит к упущенной выручке и снижению лояльности: клиент либо уходит, либо берёт заменитель.
On Shelf Availability (OSA) — показатель фактического наличия товара на полке, доступного для покупки. OSA отражает финальное звено цепочки поставок — то, что видит покупатель.
Object Detection (Детекция объектов) — технология CV для обнаружения и идентификации классов предметов на изображении или видео с определением координат каждого объекта.
Bounding Box — прямоугольная рамка, которую нейросеть отрисовывает вокруг распознанного объекта; содержит тип товара, вероятность распознавания и координаты.
Планограмма — визуальная схема выкладки товаров, с которой CV-система сравнивает фактическое изображение полки для выявления отклонений.
RetinaNet — одностадийная архитектура детекции объектов; используется в ритейле для быстрого обнаружения мелких SKU на заполняемых полках.
Feature Pyramid Network (FPN) — архитектура, создающая карты признаков разного масштаба для улучшенного распознавания объектов разного размера.
Источники
- •webteam.pro
- •companies.rbc.ru
- •goodschecker.com
- •vc.ru
- •data-light.ru
- •habr.com
- •neerc.ifmo.ru
- •epoch8.ru
Об авторе
Даниил Акерман — основатель МАЙПЛ, ведущий эксперт по внедрению искусственного интеллекта в бизнес. Более 50 реализованных проектов AI и CRM для ритейла, логистики и сферы услуг. Обсудить ваш проект
