烘焙店是不贴条码的典型：面包、吐司、糕点多为现制现售，按个卖、上新快、SKU 不断轮换。这类门店上 AI 收银，选型时最容易踩的坑是把「实验室准确率」当成落地效果。
一、先看识别链路，而不是看数字
主流的零售端侧商品识别是三段式：
检测（找出图里有几个商品） → 特征提取（每个商品转成向量） → 向量检索（在本地商品库里找最像的）
这个链路的关键好处是：上新不需要重新训练模型，只要给新商品拍几张照入库即可。
如果供应商给你的方案是「一个端到端分类模型」，要追问一句：新品怎么上？要不要重训？谁来做？ 一旦答案是需要算法团队介入，运营效率就会卡住。
二、必须现场测试，不能在会议室看 demo
门店实际环境有三个变量是 demo 环境没有的：
- 光照：早上和傍晚的自然光差异、射灯反光
- 摆放：顾客随手一放，商品叠在一起、托盘里有遮挡
- 相似品：同一系列不同口味的包装差异极小
建议做法：把门店真实商品带到现场，按高峰期的摆放方式连测 100 单，记录 Top-1 准确率和需要人工改选的比例。这个数字比任何宣传都可靠。
三、兜底设计决定现场体验
识别不可能 100% 准。真正决定体验的是识别错了之后怎么办：
- 顾客能不能在两秒内改选？
- 改选后价格是否正确联动？
- 多次改选会不会造成流程卡死？
如果一个方案识别率 95% 但改选很麻烦，实际体验可能不如识别率 90% 但改选极快的方案。
四、计价与硬件要一起看
- 按个 vs 按重：烘焙多按个，生鲜要接电子秤
- 小票与价签：识别结果要能落到小票格式里，有些品类还要合规价签（配料表、保质期）
- POS 对接：是替换现有收银机，还是在原系统上加一层？
- 断网可用：门店网络不稳定是常态，端侧运行的方案更稳
五、一份可用的选型清单
- [ ] 支持「拍照入库」上新，不依赖重新训练
- [ ] 提供 Top-K 候选，允许顾客/店员快速改选
- [ ] 端侧运行，断网可用
- [ ] 能对接现有 POS / 小票 / 价签
- [ ] 有门店真实数据的实测报告，而非实验室数据
- [ ] 明确商品库维护流程与责任人
火眼识别在烘焙、卤味、生鲜等无条码场景提供端侧 AI 收银方案，见 火眼识别官网。