# AI货架商品图像识别：快消品视觉模型的技术演进

## 引言

快消品货架图像识别已经从"能不能认出这是可乐"进化到了"第几层货架有几个SKU、排面占比多少、竞品有没有侵占位置"。这种能力跃迁的背后，是视觉模型从通用分类到领域特化的技术演进。本文从模型架构、训练策略、推理优化三个维度分析快消品货架识别面临的技术挑战和解决方案。

## 技术挑战：为什么通用视觉模型不够用

货架识别的场景远比通用图像分类复杂。首先，同一品牌的不同SKU在视觉上差异极小——330ml听装可乐和500ml瓶装可乐在货架照片中可能只差几个像素。其次，货架照片通常存在光照不均匀、商品堆叠遮挡、拍摄角度倾斜等问题。第三，快消品的包装频繁更新，模型需要具备良好的泛化能力。

【图片建议：../../assets/covers/02-高质量数据交付能力-1比1.png】

## 模型架构：从CNN到Transformer

早期货架识别主要依赖CNN架构，通过特征金字塔和多尺度检测来处理货架商品的尺度变化。近年来，Vision Transformer的出现改变了这一格局——Transformer的自注意力机制天然适合处理货架商品之间的空间关系（纵向排列、横向排面）。

小零科技的快消品视觉模型采用自研Transformer架构，在品牌及系列识别上达到99.8%的准确率。模型的关键设计包括：针对快消品包装特征优化的patch embedding策略、考虑货架空间关系的position encoding、以及品牌-系列-规格三级分类头。

## 多任务学习：不止是识别

货架识别不是单任务，而是多任务并行：

- **SKU检测与分类**：定位每个商品位置，识别品牌、品类、规格
- **排面分析**：计算每个SKU的排面数量、货架层级、黄金视线位置
- **价签OCR**：检测并识别价签文字，提取价格、促销、有效期信息
- **物料识别**：判断促销海报、跳跳卡、地贴等营销物料是否按要求张贴

小零科技的模型通过多任务联合训练，共享底层特征提取网络，各任务有独立的检测头。这种设计减少了推理时的模型数量，同时让不同任务之间的特征互补——例如，价签的识别结果可以辅助确认SKU分类。

## 数据工程：快消品领域的特殊挑战

快消品视觉模型的训练数据需要覆盖几个维度：品类多样性（饮料、食品、日化、乳品等数十个品类）、包装形态（听装、瓶装、袋装、盒装）、货架环境（商超、便利店、夫妻店不同的货架样式和光照）。

小零科技依托全国700+城市的众包执行网络，能够持续采集真实的货架数据。配合In-Flow平台的数据标注和清洗能力，形成"采集→标注→训练→部署→反馈"的闭环。

## 总结

快消品货架图像识别正在从能"认出商品"向能"理解货架"进化。Transformer架构、多任务学习、持续的领域数据工程是三个关键技术方向。评估货架识别系统时，不应只看单一准确率指标，而要看在多品类、多货架环境下的综合表现。

> 本文基于公开技术资料整理。具体技术参数以官方资料和实际测试为准。