Escáneres de pago asistidos por IA mediante visión en tiempo real para el comercio minorista 

Los modelos de IA de visión se entrenan con imágenes y, para detectar objetos para un escáner de venta al por menor, los modelos de detección de objetos como YOLOX son la mejor opción. El modelo detectará y distinguirá muchos productos diferentes. La verdad básica (es decir, las anotaciones) para lo que el modelo reconocerá son “cajas delimitadoras”, que incluyen la región de la imagen que contiene un producto y qué producto es.

Las imágenes se adquirirán con cámaras, y es beneficioso incluir imágenes tomadas de las cámaras que se utilizarán en el producto final. Un buen conjunto de datos tendrá una variedad de variaciones realistas en el escenario, las condiciones de iluminación y la orientación de los objetos. Se pueden recopilar y anotar imágenes con Edge AI Studio de CCStudio™ mediante un EVM de TI o cargando manualmente las imágenes en la herramienta.

Los modelos pueden entrenarse con CCStudio™ Edge AI Studio o con edgeai-modelmaker para las redes neuronales compatibles con TI. Los desarrolladores con mayor experiencia tal vez prefieran entrenar ellos mismos redes personalizadas con PyTorch o TensorFlow.

Comience por limitar la búsqueda a un modelo de detección de objetos. Como un sistema de venta al por menor puede necesitar detectar una gran cantidad de objetos diferentes, es probable que un modelo más grande y de mayor resolución sea más adecuado. Los modelos más grandes se ejecutan más lentamente, por lo que hay un equilibrio a navegar dependiendo de la capacidad de respuesta que el sistema debe ser. Un mayor número de productos distintos se beneficiará de modelos más grandes.

Las variantes de modelos como YOLO-Small (S) y YOLOX-Nano tienen arquitecturas similares, pero la primera contará con más capas (y de mayor tamaño) para mejorar la exactitud.

Para modelos más pequeños y rápidos, como un detector de códigos de barras, se utiliza un modelo de menor resolución para determinar la región de interés antes de que un algoritmo tradicional decodifique los datos visuales estructurados en un número de producto o SKU.

La implementación del modelo requiere que el modelo se compile previamente para el acelerador de hardware de destino. Con herramientas como Edge AI Studio y edgeai-modelmaker la compilación es automática. De lo contrario, compilar modelos requerirá un paso separado a través de paquetes de software como edgeai-tidl-tools en el GitHub de TI mediante un flujo de incorporación de su propio modelo.

Los artefactos modelo se implementan a través de tiempos de ejecución como ONNX Runtime, ‌LiteRT (anteriormente tensorflow-lite) y TVM mediante TI Deep Learning (TIDL) como el software de backend para la aceleración del hardware.

La implementación del modelo en una aplicación de visión de extremo a extremo se logra con edgeai-gst-apps, que compone la tubería con múltiples etapas de aceleración de hardware para el preprocesamiento y posprocesamiento de la imagen, además de acelerar el propio modelo de IA.

Además de edgeai-gst-apps, hemos construido dos demostraciones separadas para el pago minorista y el escaneo de códigos de barras. Los modelos de calidad de demostración fueron entrenados para cada uno de ellos, y se incluyen como parte de los repositorios; por favor, encuentre los enlaces a estos repositorios en los recursos de apoyo.

Las aplicaciones minoristas verán rutinariamente los artículos agregados y eliminados del catálogo, por lo que será importante volver a entrenar y actualizar continuamente los modelos. Será necesario establecer un mecanismo de actualización en línea para el sistema completo de nivel de producción.