Visão geral

Uma empresa de tecnologia de retalho que desenvolve uma plataforma de visão computacional estabeleceu uma parceria com a Sourcefit para melhorar a precisão e a consistência dos seus conjuntos de dados de treino de IA. A plataforma analisa imagens das prateleiras das lojas para detetar a colocação dos produtos, situações de ruptura de stock e problemas de merchandising. Para reforçar o desempenho do modelo, o cliente precisava de grandes volumes de imagens etiquetadas com precisão e de um processo fiável de garantia de qualidade com intervenção humana.

A Sourcefit concebeu e agora gere um programa de anotação dedicado que lida com a marcação de imagens, verificações visuais de controlo de qualidade e verificação de qualidade em milhares de imagens de prateleiras. A equipa opera sob um modelo transparente de custo acrescido com precisão consistente, rendimento estável e fluxos de trabalho de produção estruturados.

O desafio

Os modelos de visão computacional exigiam anotações de alta qualidade para produtos, prateleiras, preços e condições ao nível da imagem.
Grandes conjuntos de dados de treino precisavam de uma equipa escalável capaz de precisão consistente
Os SOPs de etiquetagem eram detalhados e exigiam formação para garantir a segmentação e rotulagem corretas.
Problemas relacionados com a qualidade da imagem, como desfocagem, brilho e alterações de ângulo, precisavam de ser identificados.
O cliente precisava de um controlo de qualidade e calibração confiáveis para manter a precisão em ambientes de retalho complexos.

A nossa abordagem

A Sourcefit criou e opera uma equipa dedicada à anotação e controlo de qualidade, treinada diretamente na plataforma de rotulagem e nos padrões visuais do cliente. A equipa foi integrada através de um programa de formação estruturado, focado nos requisitos de imagem do retalho, precisão de marcação e alinhamento do conjunto de referência.

Durante a configuração, Sourcefit:

Realizou sessões de calibração para alinhar a etiquetagem ao nível do produto e a segmentação das prateleiras.
Estabeleceu SOPs específicos para o retalho para anotações detalhadas de caixas delimitadoras e polígonos
Implementação de QA em várias camadas com validação em tempo real em relação a conjuntos de referência
Configure relatórios diários sobre precisão, rendimento e tendências de erros
Criou ciclos de feedback para melhorar a consistência do marcador em imagens complexas de prateleiras

Atualmente, a Sourcefit gerencia a marcação de imagens de ponta a ponta, verificações de qualidade ao nível da imagem e verificação de controle de qualidade, enquanto o cliente utiliza os resultados para o treinamento de modelos de visão computacional e melhoria contínua.

Resultados

Superou consistentemente o padrão de precisão de 95% do cliente
Qualidade reforçada do conjunto de dados de treino para fluxos de trabalho de visão computacional no retalho
Maior consistência na etiquetagem em diferentes layouts de lojas e conjuntos de produtos
Entrega de anotação de imagens estável e de alto volume com validação diária de controle de qualidade
Ciclos de treino de modelos mais rápidos e fiáveis

Principais conclusões

A qualidade das anotações impulsiona o desempenho: a alta precisão na marcação de imagens é essencial para treinar modelos confiáveis de visão computacional para monitoramento de prateleiras.
Padrões claros apoiam a consistência: SOPs detalhados, sessões de calibração e validação de conjuntos de referência mantêm as anotações alinhadas em conjuntos de dados de retalho grandes e complexos.
Equipes escaláveis possibilitam o crescimento: uma equipe dedicada à anotação e controle de qualidade permite que o cliente aumente o volume de dados de treinamento sem perder o controle sobre a precisão ou o rendimento.

Aprendizagens do sector

Os sistemas de visão computacional para o retalho dependem de operações robustas de anotação e controlo de qualidade para manter a precisão em ambientes reais. As imagens das câmaras variam muito entre lojas, equipamentos e condições de iluminação, tornando a revisão humana detalhada essencial para a fiabilidade do modelo. Este compromisso mostra como a marcação estruturada de imagens e a validação humana no ciclo ajudam as plataformas de IA para o retalho a melhorar a deteção, reduzir o ruído e acelerar os ciclos de formação.

Saiba mais

A Sourcefit apoia empresas de IA e visão computacional com equipas escaláveis de anotação, controlo de qualidade e operações de dados.

Explore o WorkingAI para automação e suporte ao fluxo de trabalho, e o SourceCX para operações de atendimento ao cliente que oferecem suporte a plataformas de retalho e tecnologia.

Entre em contacto com a nossa equipa de operações de IA para explorar soluções escaláveis de anotação e rotulagem de dados.