端侧识别，快速稳定
商品图像在设备本地完成特征提取与检索，不依赖每次联网，即使网络波动也不影响已有商品的正常识别和结算。
自研商品识别算法
不只是识别商品更能持续学习商品
MegoGoods 将视觉识别、少样本学习、人工反馈与组织级学习库融为一体，让设备在实际使用中持续学习， 并将学习成果复用到同组织的其他设备。
端侧识别快速绑定
持续学习上样本快速进化
多设备复用组织级同步共享
核心亮点
六大能力，构建持续进化的识别体系
少样本学习， 新品快速注册
无需为每个门店准备完善商品库， 新品首次确认即可注册，后续持续补充不同角度和包装样本，识别能力不断完善。
反馈驱动，持续优化
利用店员确认与纠错结果，强化正确样本，补充漏识样本，自动过滤低质与冗余数据，形成“识别—确认—学习—再识别”闭环。
一台学习，多台复用
一台设备沉淀的商品样本，可按组织权限同步给其他设备，减少重复录入，让现场经验持续复用。
适应不同设备与环境
通过多角度、多包装和真实环境样本持续补充，提升不同设备、光照与摆放条件下的识别稳定性。
候选推荐与主动拒识
对低置信度结果给出候选推荐，对无法确认的商品主动拒识，减少误识别和错误结算。
算法闭环流程
识别 · 学习 · 再识别，持续进化
01数据闭环
商品图像输入
采集商品图像
标定与混淆纠正
数据清洗与标准化
特征提取
多维特征提取
本地学习库检索
匹配已有数据
候选排序与主动拒识
提升识别准确率
输出 Top-K 商品候选
生成候选结果
02学习闭环
店员确认或纠错
人工反馈修正
新品注册 / 样本强化 / 漏误补充
完善数据样本
本地学习库持续进化
本地学习库持续更新
组织级学习库同步（可选）
多端协同进化
学习成果复用至同组织其他设备
提升整体识别能力
适用场景
满足多行业、多设备的商品识别需求
门店收银
快速识别，准确结算，提升收银效率
智能称重
称重+识别一体，自动匹配商品信息
商品分拣
高效识别商品，提升分拣准确率
智能零售设备
适配多种设备形态，灵活部署应用
COMMON QUESTIONS
常见问题
商品识别需要联网吗？
不需要。识别推理在设备本地完成，断网状态下仍可继续识别与结算。联网主要用于学习库同步、配置下发与数据回传，属于增强能力而不是运行前提。
新增一个商品要走什么流程？
在设备上直接完成：采集该商品的图像样本、确认标定信息、加入本地学习库即可开始识别，不需要把样本送回后台重新训练再等新版本模型下发。
多台设备的商品库能共用吗？
可以。设备经过授权关联到同一组织后，支持学习库增量同步，一台设备录入的商品样本可以被同组织的其他设备复用，避免每台机器重复采集和重复标注。
散装生鲜、无包装商品能识别吗？
散装与无条码商品正是视觉识别相比条码扫描的价值所在。实际可识别范围取决于品类差异度、摆放方式、光照条件与容器一致性，需要结合现场样本做可行性评估后确定。