Multi-Class Object Classification for Smart Retail Store Management Using “You Only Look Once” Model
Журнал: Компьютерная оптика @computer-optics
Рубрика: Численные методы и анализ данных
Статья в выпуске: 5 т.50, 2026 года.
Бесплатный доступ
Smart Retail Management relies heavily on multi-class item classification to automate inventory management and security. While deep learning techniques have shown promise, many methods struggle to achieve both high accuracy and real-time processing speeds. This paper evaluates the performance of the state-of-the-art You Only Look Once v8 network for the specific task of multi-class jewelry classification in a retail setting. To facilitate this, we developed a custom dataset of jewelry items. The You Only Look Once v8 architecture was trained on this dataset, and its performance was rigorously validated through extensive testing. Our results demonstrate that the standard You Only Look Once v8 model can deliver highly accurate and real-time classification, meeting the demanding requirements of smart retail management and establishing its viability for practical deployment.
Короткий адрес: https://sciup.org/140316982
IDS: 140316982 | DOI: 10.18287/COJ1713
Многоклассовая классификация объектов для управления «умными» розничными магазинами с использованием модели «You Only Look Once» (YOLO)
Эффективное управление «умными» розничными магазинами во многом зависит от возможности классификации различных категорий товаров, что необходимо для автоматизации учета запасов и обеспечения безопасности. Несмотря на перспективность методов глубокого обучения, многие из них не позволяют одновременно достичь высокой точности и скорости обработки данных в режиме реального времени. В данной работе оценивается эффективность передовой нейросетевой архитектуры «You Only Look Once» версии 8 (YOLOv8) применительно к задаче многоклассовой классификации ювелирных изделий в условиях розничной торговли. Для решения этой задачи был подготовлен специализированный набор данных, включающий различные виды ювелирных украшений. На этом наборе данных была обучена модель YOLOv8, а ее работоспособность — тщательно проверена в ходе всестороннего тестирования. Полученные результаты показывают, что стандартная модель YOLOv8 способна обеспечить высокую точность классификации в режиме реального времени, отвечая строгим требованиям к управлению «умными» розничными магазинами и подтверждая свою пригодность для практического внедрения.