Statigest
Retail | Vision par ordinateur
De l'analyse vidéo aux modèles prêts pour le mobile : la vision par ordinateur qui fonctionne sur le terrain du retail.
Statigest fournit de l'analytique pour les chaînes de distribution, mais leurs équipes terrain avaient besoin d'un moyen d'analyser le placement en rayon, les facings produits et la conformité merchandising en temps réel. L'analyse d'image traditionnelle était trop lente et trop dépendante de l'infrastructure serveur.
Rakam a construit un pipeline complet de vision par ordinateur — de la reconnaissance de produits par vidéo à l'export de modèles ONNX et Core ML pour iOS et Android. Ce qui a commencé comme un POC est devenu un système de production en 68 jours, avec des modèles fonctionnant directement sur les appareils mobiles des équipes terrain.
« Statigest apporte la vision par ordinateur sur le terrain du retail — de l'analyse vidéo aux modèles prêts pour le mobile pour les équipes terrain. »
Statigest
Partenariat client
POC
Valide & passage en production
2.3x
Plus rapide avec ONNX
68 j
Phase d'intégration
iOS+
Déploiement Android
Business
Impact Business
Les équipes terrain analysent désormais le placement en rayon et les facings produits directement depuis leurs appareils mobiles, sans avoir besoin de connectivité serveur. Cela transforme les audits en magasin d'un travail manuel sur presse-papiers en une analyse instantanée assistée par l'IA.
La progression du POC à la production en 68 jours démontre un time-to-value rapide. L'optimisation ONNX offre une accélération d'inférence de 2,3x, rendant l'analyse en temps réel pratique sur du matériel mobile grand public.
Produit
Ce que nous avons construit
Reconnaissance de produits par vidéo
Modèle de vision par ordinateur personnalisé qui identifie les produits directement à partir de flux vidéo. Extraction d'images via FFmpeg, détection et classification de produits — le tout optimisé pour les environnements de rayons retail avec des éclairages et angles variés.
Superposition de rayon & analyse de facings
Système de superposition visuelle qui cartographie les produits détectés sur les planogrammes de rayon, comptant les facings et identifiant les écarts de conformité. Donne aux merchandiseurs une visibilité instantanée sur l'exécution en rayon par rapport au plan.
Tableau de bord d'annotations
Outil interne pour annoter les données d'entraînement, examiner les prédictions du modèle et gérer le cycle d'amélioration continue. Permet à l'équipe de Statigest d'affiner la précision du modèle au fil du temps avec des retours spécifiques au domaine.
Export Core ML / ONNX pour mobile
Pipeline d'export de modèles qui convertit les modèles PyTorch aux formats ONNX et Core ML pour l'inférence sur appareil. L'intégration React Native permet le déploiement sur iOS et Android, avec une accélération de 2,3x grâce à l'optimisation ONNX.
Technique
Architecture Technique
Le pipeline commence avec des modèles PyTorch personnalisés entraînés sur des données spécifiques au retail, puis exportés en ONNX pour l'inférence côté serveur et en Core ML pour le déploiement iOS. FAISS gère la recherche par similarité pour l'identification des produits.
FFmpeg traite les flux vidéo en images, tandis que React Native fournit la coquille mobile multiplateforme. MLflow suit les entraînements et les versions de modèles, avec toute l'infrastructure fonctionnant sur Kubernetes OVH.
# Stack
PyTorch personnalisé (entraînement)
ONNX (inférence optimisée)
Core ML (déploiement iOS)
FAISS (recherche par similarité)
FFmpeg (traitement vidéo)
React Native (application mobile)
MLflow (suivi d'expériences)
Kubernetes OVH (orchestration)
# Performance
POC validé, passage au mobile
Accélération ONNX 2,3x
iOS + Android prêt
Passez du buzz à l'impact réel
Laissez-nous vos coordonnées, nous vous recontactons sous 24h.