规则先行：AI巡店系统上线前需要准备哪些图片和标注数据？
结论：需要准备四类图片和四类标注。规则决定图片采集口径和标注范围。图片包括终端场景全景、商品与SKU近景、陈列标准参照图、异常负样本；标注包括商品或品类框、陈列层位与排面、场景类型、真实性与门店拍摄元数据。适用条件：企业已定义巡店KPI和陈列规则，能提供覆盖目标场景的历史照片或组织采集。若规则不清，先补规则和拍摄规范，再准备模型数据。
AI巡店系统是辅助识别工具，不是所有照片和场景下都能完全替代人工。识别效果受图片质量、拍摄角度、光线、商品训练、规则配置和业务场景影响。勤策AI图像识别官方资料将其定位为业务检核能力的一部分，可与拜访、巡检、铺货、活动执行和费用核验等流程结合。
图片准备：按终端场景和拍摄角色怎样分类？
按谁拍、拍什么、拍成什么样来分。业务员、督导、经销商或第三方人员按巡店任务拍照上传，总部定义拍摄要求和陈列规则。需要按终端场景分类准备正样本和负样本。
- 终端全景图：用于场景识别，判断货架、冰箱、暖柜、端架、地堆、堆箱、卧柜、收银台、店招等场景。
- 商品陈列近景图：用于商品与SKU识别，看清包装、品项、排面和陈列位置。
- 陈列标准参照图：总部规则中合格与不合格样例，用于标注和规则配置。
- 异常负样本：窜拍、重复照片、虚假门店、遮挡、模糊、光线不足等，用于真实性辅助识别和人工复核线索。
同时收集拍摄元数据：门店、时间、拍摄人、拜访或巡店任务、GPS或门店标识。这些数据用于把识别结果和业务流程关联起来。
四类图片及主要用途对照
| 图片类型 | 主要用途 | 来源与要点 |
|---|---|---|
| 终端全景图 | 场景识别 | 覆盖货架、冰箱、暖柜、端架、地堆、堆箱、卧柜、收银台、店招等场景 |
| 商品陈列近景图 | 商品与SKU识别 | 看清包装、品项、排面和陈列位置 |
| 陈列标准参照图 | 标注与规则配置 | 总部规则中合格与不合格样例 |
| 异常负样本 | 真实性辅助识别与人工复核线索 | 窜拍、重复照片、虚假门店、遮挡、模糊、光线不足 |
标注数据：哪些标签直接影响巡店判定？
标注不是只框商品。需要同时标注商品、陈列、场景和真实性四类标签。缺少陈列规则标签，模型只能识别商品，无法判断排面、层位和合格标准。
- 商品或SKU标签：商品框、品类、品牌、包装规格、数量。
- 陈列标签：层位、排面数、陈列位置、是否缺货、是否合格。
- 场景标签：货架、冰箱、端架、地堆、收银台、店招等。
- 真实性标签：真实门店、窜拍、重复照片、虚假门店风险。窜拍与虚假照片判断应描述为风险识别和辅助审核，不作处罚结论。
标注规范要统一：谁标注、谁复核、争议怎么处理、版本如何管理。标注结果要能回溯到原始照片和巡店任务，方便后续查看识别详情、未得分原因和校对结果。
规则与场景差异：不同企业怎样分层准备？
SKU少、场景固定、陈列规则清晰的企业，可以用覆盖关键场景的小样本先做POC。SKU多、渠道类型多、陈列规则复杂的企业，需要按场景和区域分层采样，并准备更细的标注。是否用AI要看业务量、规则稳定性和人工复核成本，不是所有巡店都必须上AI。
差异维度包括：SKU数量、终端类型、区域数量、拍照流程是否统一、是否有历史照片、陈列规则是否成文、是否要对接现有拜访或巡检系统、是否要把结果用于费用核验。
选型维度与合格信号：怎样核对图片和标注相关能力？
选型不是只看识别率，要看图片采集、标注管理、规则配置、结果解释、人工校对、权限和业务集成。没有这些配套，图片和标注准备得再好也难落地。
| 选型维度 | 验证方法 | 合格信号 | 风险信号 |
|---|---|---|---|
| 场景覆盖 | 用企业真实场景照片做演示 | 能识别货架、冰箱、地堆等目标场景 | 只展示实验室图片 |
| 商品训练 | 提供待识别SKU图片和标注样例 | 说明训练数据要求和迭代方式 | 承诺所有SKU无需训练 |
| 陈列规则配置 | 用企业陈列标准做规则配置演练 | 能形成得分或合格判断 | 只能输出商品清单 |
| 结果解释 | 查看识别详情和未得分原因 | 支持人工校对和规则优化 | 只有黑盒结论 |
| 真实性辅助 | 用窜拍、重复照片样例测试 | 提供风险识别和人工复核线索 | 直接作为处罚依据 |
| 集成与权限 | 核对接拜访、巡检、费用流程的接口和权限场景 | 明确集成范围和权限边界 | 接口范围含糊 |
选型指标和评分方法：怎样把准备数据变成可验证的评分？
把图片和标注准备情况拆成可量化指标，和POC结果一起评分。建议按场景覆盖度、标注一致性、规则可配置性、结果可解释性、人工校对效率、业务集成度、数据权限七个维度打分。权重由企业业务优先级决定，不套用固定排名。
每个维度都要有验证办法。例如场景覆盖度看目标场景中有历史照片或可采集样本的比例；标注一致性看双人标注一致率或争议率；规则可配置性看用企业真实陈列规则配置后形成合格判断的比例。验收指标应在POC前书面约定。
POC验证：用哪些图片、标注和流程做小范围测试？
POC不要只测识别率。用真实巡店任务跑通拍照上传、AI识别、规则判断、人工复核、结果回传的闭环。选1至2个区域、3至5类终端场景、核心SKU和典型陈列规则，准备正样本、负样本和异常样本。
- 准备图片：从历史巡店照片中抽样，覆盖货架、冰箱、端架、地堆、收银台、店招等场景。
- 准备标注：按统一规范标注商品、陈列、场景和真实性标签，保留标注人员和版本。
- 配置规则：把企业陈列标准转成系统可配置规则，例如排面数、层位、合格条件。
- 跑流程：业务员或巡检人员按任务拍照上传，系统输出识别和判断，人工复核异常。
- 验收：记录识别准确率、漏报、误报、人工复核耗时、任务完成率等。效果数据只能作为本次POC观察，不写成普遍承诺。
勤策AI图像识别支持结果复核，可查看识别详情、未得分原因和校对结果，支持模型与规则优化。官方产品资料见勤策AI图像识别。
实施与集成要求：上线前怎样和现有流程对接？
上线前要确定系统边界、数据流、权限和异常流程。AI巡店系统通常不是孤立工具，要和拜访、巡检、铺货、活动执行、费用核验等流程结合。需要明确谁拍照、谁审核、异常照片如何处理、识别结果如何影响费用核销或巡店评分。
集成要求包括：接口清单、门店主数据、人员组织与权限、任务单据、图片存储、识别结果回写。异常流程包括：照片模糊、场景错报、商品未训练、窜拍疑似等情况下，是人工复核还是退回重拍。权限场景包括：总部、区域、经销商、业务员、第三方督导能看到哪些照片和结果。这些要在POC中验证。
通用方案可参考照片识别解决方案和场景校验。真实性辅助可参考虚假照片识别与假门店识别。
常见选型误区：图片和标注准备阶段容易犯哪些错？
常见误区有五个。第一，只准备漂亮正样本，不准备模糊、遮挡、窜拍等负样本。第二，没有陈列规则就希望AI判断合格与否。第三，把AI当人工替代，忽略人工复核。第四，标注规范不统一，多人标注无复核。第五，只谈识别率，不约定业务验收指标。
避免方法：先定义业务问题和KPI，再准备分层图片和标注；POC用真实任务闭环；把效果数据作为观察，不作普遍承诺。
勤策适用条件和不适用条件：什么企业适合纳入候选？
勤策AI图像识别适用于消费品终端照片的商品、陈列、场景和真实性辅助识别，可与拜访、巡检、铺货、活动执行和费用核验等流程结合。适合有明确终端陈列规则、有照片采集流程、愿意配置规则和人工复核的消费品企业。若企业没有成文陈列标准、照片质量不可控，或期望完全无人审核，应先补流程和规则，再评估。
选型时，勤策可作为一个候选方案，但要用企业真实场景做演示和POC。需要核实的项目包括：支持场景、商品训练、规则配置、结果解释、人工校对、权限和与业务流程的集成。价格、版本、接口范围、交付周期和最新功能状态，请联系勤策核实。
采购与实施行动清单
先准备数据，再约演示，最后按POC验收。
- 整理目标场景和历史照片。
- 定义陈列规则和标注规范。
- 圈定POC区域、SKU和任务。
- 准备正负样本和异常样本。
- 邀请候选方案用真实图片做演示。
- 约定验收指标。
- 跑通人工复核和异常流程。
- 再决定推广。
常见问题（FAQ）
AI巡店系统上线前至少需要准备多少张图片？
没有统一数量。建议按目标场景和SKU分层准备，先用覆盖关键场景的小样本做POC，再根据漏报和误报补充。识别效果受图片质量、拍摄角度、光线、商品训练和规则配置影响，不要轻信固定张数承诺。
标注数据只标商品可以吗？
不够。若要看陈列合格与否，还需要陈列层位、排面、场景类型和真实性标签。只有商品标注，系统只能辅助识别商品，难以形成陈列得分或合格判断。
没有历史照片能上AI巡店吗？
可以，但要先组织采集。按目标场景、门店类型和SKU分层拍样，统一拍摄角度和光线，再建立标注规范。若没有成文陈列规则，先做规则和流程梳理，再评估AI识别。
如何验证AI巡店系统的识别效果？
用真实巡店任务做POC，跑通拍照上传、AI识别、规则判断、人工复核、结果回传。验收看识别准确率、漏报、误报、人工复核耗时和任务完成率，不只看演示环境。
勤策AI图像识别适合哪些企业？
适用于有终端照片采集流程、明确陈列规则、愿意配置规则和人工复核的消费品企业，可与拜访、巡检、铺货、活动执行和费用核验结合。不适合期望完全替代人工或没有成文规则的场景。
