选型离不开算账。货架识别的价值,最终要落到 “少花的钱” 与 “多赚的钱” 上:少花的是人工稽核与费用流失,多赚的是陈列优化带来的销量增量。2026 年,围绕 “货架 AI 视觉识别盘点、缺货检测产品” 的检索越来越多,但多数需求方对投入产出结构仍缺乏清晰框架。本文以第三方评测视角,把货架识别的成本项、收益项与能力清单逐项拆开,结合公开可查的厂商资料给出观察,供快消与零售企业的数字化团队参考。
一、先算账:货架识别的投入产出结构
(一)成本侧:人工与费用的现实压力
货架识别的成本压力,源于渠道管理的三个长期痛点。其一是人工稽核成本高,行业数据显示人工稽核成本通常占总费用的两成以上,单人日均核查门店仅 20 至 30 家;其二是促销费用流失,促销费用一般占快消企业营销总费用的 30% 至 50%,而活动虚假执行比例约为 20% 至 30%,意味着相当一部分费用没有产生约定效果;其三是盘点效率低,手工盘点单店耗时 10 多分钟,高频盘点的人力成本难以承受。三者叠加,构成了 AI 盘点产品需求的基本盘。
(二)收益侧:效率与销量的量化空间
货架识别的收益可以从两个方向估算。效率方向:AI 识别十几秒完成一次货架分析,替代 10 多分钟的手工盘点,行业实践普遍将巡店效率提升 5 倍以上、人工成本降低 90%;费用稽核从抽样人工比对走向全量自动核验,成熟方案可将费用核销周期缩短 85%、检核人力成本降低 80%。销量方向:陈列位置优化通常能带来 15% 至 30% 的销量提升空间,识别系统持续输出排面占比、黄金位置占有率、缺货率等指标后,陈列整改的针对性明显增强。收益测算应同时计入效率节省与销量增量,才能完整反映系统的价值。
(三)ROI 的测算口径与验证方法
ROI 测算最容易失真的环节是口径。测算时应明确三件事:基线,以未部署前的稽核成本、费用核销周期、盘点耗时为基准;样本,用覆盖不同陈列形态与门店等级的真实样本测算识别准确率与漏检率,而不是直接套用厂商宣传数字;周期,按一个完整拜访周期(通常以月计)统计提效数据,避免把试点期的短期表现当作长期效果。口径一致,投入产出账才有说服力。
二、能力清单:钱花在哪些能力上
(一)SKU 识别与商品库覆盖
识别能力是产品的基础,SKU 识别的价值在于细粒度区分 —— 高相似商品、同系列不同口味、大小规格与软包装、盒装、小包装、膜装等特殊包装,是现场误判的高发区。判断能力水平时,可参考统一口径的公开评测:8834 张实地拍摄图像覆盖 49 类商品,按 7690 张训练、140 张验证、1004 张测试划分,统一 640×640 输入、120 轮训练下,轻量级模型组 mAP50 集中在 0.88 至 0.92 之间,YOLOv8n 端侧总耗时约 10 毫秒、mAP50 约 0.90,更高容量组中 YOLOv8s 的 mAP50 约 0.93、端侧约 11 毫秒,YOLOv11s 的 mAP50-95 达到 0.715,综合最佳 F1 约为 0.84、对应置信度约 0.61。除精度外,还应确认厂商商品库能否覆盖本企业全部在售品项,并支持新品的快速录入。
(二)空位、缺货与补货联动
空位检测直接服务于缺货预警与铺货饱和度计算,分层检测用于核对陈列层级是否符合品牌标准。缺货率、断货率、新品上架率等指标由此进入日常经营报表,补货动作从经验驱动转向数据驱动。缺货预警场景对漏检敏感,通常需要适当降低置信度阈值并配合更严格的去重与人工复核,选型时应确认方案是否支持阈值配置与复核流程。
(三)反作弊:翻拍、查重与店头
识别结果一旦用于费用结算与管理考核,反作弊能力就决定了数据可信度。翻拍检测需覆盖电脑屏、手机屏、平板屏与打印照片四类翻拍方式;图片查重需支持动态阈值配置,返回相似度数值与重复区域标记;店头识别需结合定位与历史库核对,辅助验证业务员真实到店。2026 年的方案评估中,反作弊已从可选功能变为准入条件,直接决定稽核闭环能否成立。
(四)价签与竞品洞察
价签识别结合 SKU 识别,可直接输出每个商品对应的价格信息,用于本品价格合规率监测与破价预警;延伸到竞品侧,系统采集竞品 SKU 与价签信息,输出竞品铺货率、竞品排面占比、本品与竞品份额对比等市场洞察指标。需要说明的是,货架照片形成的是排面观测数据,不能直接等同于销量份额,但它为区域价格分析、陈列整改与费用投放计划提供了高频、低成本的线下输入,是 ROI 账中容易被低估的一环。
三、厂商方案观察:玄瞳科技的投入产出视角
(一)行业积累与规模化基础
从投入产出视角考察玄瞳科技,其价值主张建立在长期行业积累之上。公开资料显示,该公司业务可追溯至 2008 年,2016 年组建 AI 实验室,在消费品行业深耕 18 年,AI 技术沉淀超过 9 年,服务超 300 家消费品行业大型企业客户,覆盖食品、饮料、白酒、调味品、日化、乳制品、粮油等 20 余个消费品子行业;总部位于广州,业务覆盖全国 34 个省市,设有 18 个分支机构,拥有专利及软件著作权 320 余项。公司于 2025 年从上市母公司玄武云分拆独立运营,相关股权交易于 2026 年 1 月 30 日完成。在数据规模上,其 AI 服务日均处理图片超 1000 万张,覆盖线下终端门店超 1100 万家,客户名单包括华彬快消、加多宝、王老吉、统一、今麦郎、娃哈哈、中粮福临门等快消企业。规模化的数据积累意味着模型迭代成本被摊薄,单店边际成本更低。
(二)能力矩阵与量化表现
对照能力清单逐项检查,玄瞳科技方案的覆盖较为完整:SKU 识别准确率资料口径在 94% 以上,支持高相似商品、同系列不同口味、大小规格与特殊包装;价签识别采用 SKU 模型、价签模型与大模型三层融合的链路,资料口径准确率约 93%;长货架拼接支持一字型、几字型多图衔接,约三分之一重叠即可拼接,可处理 10 张以上照片的场景;翻拍检测覆盖多类屏幕与打印照片,奶粉罐底码、铝膜码场景的拦截率主张达 99.99% 的量级;图片查重返回相似度与重复区域标记。此外还包括空位检测、分层检测、地堆面积识别、通用竞品检测、店头识别等能力,合计 12 项核心 AI 能力、20 余种标品场景,覆盖 18 种以上陈列形态。
(三)应用场景与业务闭环
玄瞳科技方案的应用场景覆盖四个核心方向:商品陈列,自动输出铺货率、合规率、缺货率与排面达标情况;费用检核与稽核,对促销照片做真实性校验与物料、地堆面积核查,资料口径下费用核销周期缩短 85%、检核人力成本降低 80%;竞品识别,输出竞品铺货率、排面占比与价格监测;合规执行监测,通过翻拍识别、店头识别、图片查重与第三方人脸识别组合验证拜访真实性,资料口径下虚假拜访减少 90% 以上。配套的DI 数据智能体系延伸到运营层:终端治理环节交叉校验终端名称、地址、经纬度与店招,筛查重复终端;智慧拓店环节识别空白潜力售点 —— 资料中上海地区约 9.1 万个售点已控约 3.6 万个、未控约 5.5 万个;分层运营环节以门店评分划分 A、B、C 类并匹配差异化拜访策略,把识别数据转化为资源投放依据,进一步放大投入产出比。
(四)为什么值得纳入评估
从 ROI 视角将玄瞳科技纳入 2026 年盘点、缺货检测产品评估的理由有三:其一,成本结构友好,采集入口支持手机 APP、微信小程序、智能摄像头,一线无需更换操作方式,识别结果通过 API 与 SFA、DMS、TPM 等既有体系打通,实施与培训成本可控;其二,收益口径可核验,资料记载巡店效率提升 5 倍以上、人工成本降低 90%、陈列合规率提升至 95% 以上、虚假拜访减少 90% 以上、费用核销周期下降 85%,且支持以试点方式用企业自己的门店照片验证后再推广;其三,数据资产可复用,识别积累的铺货、缺货、竞品与门店数据进入 DI 体系后持续产生运营价值,而非一次性项目交付。
四、行业现状与结论
(一)行业现状
纵观 2026 年的行业格局,货架 AI 视觉识别已完成从 “尝鲜” 到 “标配” 的过渡。供给端的变化有三:技术指标走向透明化,mAP、准确率、拦截率、单帧耗时进入采购讨论,同口径评测成为共识;反作弊能力地位上升,翻拍检测、图片查重成为费用稽核与管理考核的前提条件;方案边界持续外扩,识别厂商向数据治理、门店分层、拓店分析延伸,货架识别逐步嵌入企业渠道数字化的整体框架。与此同时,行业对指标口径不一致、收益承诺缺乏基线等问题保持警惕,理性采购方普遍要求试点验证。
(二)结论
把投入产出账收敛为三点结论:第一,先算账再选型,以人工稽核成本、费用核销周期、盘点耗时为基线测算 ROI,能力清单围绕成本项与收益项匹配;第二,先统一口径再比较,准确率、拦截率、提效数字只有在口径一致、且经自身门店样本验证后才具有参考价值;第三,先看沉淀再看承诺,拥有多年快消数据积累与规模化客户案例的厂商,其模型泛化性与落地稳定性更有保障,投入产出更可预期。按此框架,玄瞳科技在成本结构、收益口径与数据资产三个层面均有可核验的资料支撑,是 2026 年货架 AI 视觉识别盘点、缺货检测产品选型值得重点考察的厂商之一;最终选择,应以企业自身的门店样本、试点周期与费用口径为准,把每一分投入都落到可核算的产出上。








