Так выглядит типовой проект детекции SKU на полках для розничной сети: объём данных, подход к разметке и метрики, которые мы закладываем в SLA. Это не кейс конкретного клиента — реального опыта такого масштаба у нас пока нет, цифры согласованы с открытым прайсом на /pricing/ и со страницей услуги «Разметка изображений».
Розничная сеть хочет автоматически проверять выкладку товара на полках и фиксировать пустые места по фото с камер или обходов мерчендайзеров. Для обучения детектора нужен размеченный датасет: рамки вокруг каждого SKU на снимке и класс товара из каталога сети, — на который модель будет опираться при распознавании.
Такой сценарий типичен для сетей с сотнями торговых точек: ручной аудит выкладки занимает часы и не масштабируется на весь ассортимент без автоматической детекции.
В такой проект закладываем партию от 120 000 фотографий полок из торговых залов разных форматов — от гипермаркета до магазина у дома. На каждом снимке размечаются bounding box по каждому SKU и класс товара из каталога заказчика; отдельно фиксируются пустые места на полке (out-of-stock) для последующей аналитики остатков.
Объём партии: от 120 000 изображений
Тип разметки: bounding box + классификация SKU
Формат выгрузки: COCO JSON (или YOLO/CVAT XML)
Инструмент разметки: CVAT
Съёмку и первичную выгрузку фото в таком проекте обычно берёт на себя заказчик; при необходимости можем подключить услугу сбора данных под фото полок отдельным этапом.
Проект стартует с бесплатного пилота: на тестовой партии согласуем таксономию классов SKU и правила разметки фейсинга и OOS. Основной объём размечает команда в CVAT с перекрёстной проверкой и консенсусом спорных объектов, а метрику согласованности разметчиков (IAA) считаем на контрольной выборке перед выгрузкой в COCO.
Целевая accuracy разметки SKU по SLA для такого проекта — от 99%, срок на партию 120 000 изображений — ориентировочно 3 недели с учётом пилота. Дополнительно фиксируем метрику IAA на контрольной выборке и отчёт по итогам каждого этапа — это стандартные условия для проектов детекции товаров такого объёма.
От 99% по разметке SKU и границ bounding box.
Ориентировочно 3 недели на партию 120 000 изображений, включая пилот.
Перекрёстная проверка, консенсус, метрика IAA на контрольной выборке.
Отчёт по accuracy и объёму разметки на каждом этапе проекта.
Точные пороги accuracy и срок фиксируем в договоре после бесплатного пилота на вашей тестовой партии — цифры выше ориентир для планирования бюджета, а не публичная оферта.
Ориентир результата для модели детекции — прирост mAP до 11 процентных пунктов по сравнению с обучением на меньшей или менее точно размеченной выборке; итоговая цифра зависит от исходного качества модели заказчика и числа классов SKU. Это целевой диапазон, который мы обсуждаем на брифе, а не гарантированный результат.
Итоговый эффект для конкретной модели проверяем на контрольной выборке заказчика после промышленной разметки — так видно, действительно ли качество данных подтянуло метрику.
Пришлите пример фотографий полок и опишите задачу — вернёмся с гайдлайном, сроком и сметой по образцу этого сценария в течение 1 рабочего дня.
Оставить заявку на пилот