Este documento destaca la importancia del aprendizaje de una sola vez a partir de imágenes de unidades de mantenimiento de stock (SKU) prototipo para un reconocimiento de productos eficiente en la gestión minorista y de inventarios. Los métodos tradicionales requieren grandes conjuntos de datos supervisados para entrenar redes neuronales profundas, lo que puede ser costoso e impráctico. Las técnicas de aprendizaje de una sola vez mitigan este problema al permitir la clasificación a partir de una única imagen prototipo por clase de producto, reduciendo así los esfuerzos de anotación de datos. Introducimos el Codificador Prototípico Variacional (VPE), una nueva red neuronal profunda para la clasificación de una sola vez. Utilizando un conjunto de soporte de imágenes SKU prototipo, VPE aprende a clasificar imágenes de consulta al capturar la similitud de imágenes y conceptos prototípicos. A diferencia de los enfoques basados en el aprendizaje métrico, VPE pre-aprende la traducción de imágenes de objetos del mundo real a imágenes prototipo como una meta-tarea, facilitando una clasificación eficiente de una sola vez con una supervisión mínima. Nuestra investigación demuestra que VPE reduce efectivamente la necesidad de conjuntos de datos extensos al utilizar una sola imagen por clase mientras clasifica con precisión las imágenes de consulta en sus respectivas categorías, proporcionando así una solución práctica para las tareas de clasificación de productos.