El color es la dimensión de la precisión para la que más excusas existen. Las pantallas varían, la iluminación cambia, los lotes de tinte difieren. Todo eso es cierto, pero no cambia una realidad: si un cliente pide azul marino y recibe negro, devolverá el producto.
Este es un protocolo para medir la fidelidad del color en imágenes de producto generadas por IA. No publica ningún resultado prefijado.
¿Cómo se mide la precisión del color en imágenes de producto con IA?
Bajo una gestión de color fija —referencias sRGB, una pantalla calibrada y las mismas condiciones de visualización—, toma una muestra del promedio de cinco por cinco píxeles de tres regiones planas predeterminadas tanto en la referencia como en el resultado, compara los valores en un espacio perceptual como Lab, evalúa el comportamiento del acabado a simple vista al 100 %, comprueba si dos tonos adyacentes de tu propia gama se siguen distinguiendo y repite el proceso sobre un segundo fondo. Define la tolerancia antes de empezar.
¿Qué es la precisión del color?
La precisión del color en una imagen de producto generada abarca tres factores que solemos agrupar en uno solo: el tono (la misma familia de color: azul marino, no negro), la saturación y el valor (el tono correcto con la intensidad y luminosidad adecuadas) y el comportamiento del acabado (si un satén sigue pareciendo satén y un acabado metálico sigue variando a lo largo de la forma). Un píxel que coincide pero pierde el acabado sigue siendo un error de color, y por eso tomar una muestra de un solo píxel no demuestra nada.
Separa los tres factores que solemos llamar "color"
- Tono (Hue): ¿pertenece a la misma familia cromática? Azul marino frente a negro, burdeos frente a marrón. De aquí es de donde vienen las devoluciones.
- Saturación y luminosidad: el tono correcto con la intensidad o el brillo equivocados. Una versión descolorida o apagada del color original.
- Comportamiento del acabado: cómo reacciona la superficie a la luz: si un satén se percibe realmente como satén, o si un metalizado mantiene sus reflejos y degradados según el volumen. Una representación plana de un tejido tornasolado es un error de color, incluso si el píxel de muestra coincide numéricamente.
La mayoría de las herramientas rinden mejor con el tono y flojean en el comportamiento del acabado. Por eso, tomar una muestra de un solo píxel y dar el color por bueno resulta engañoso.
Tono, intensidad y acabado
Tres informes independientes en lugar de una sola puntuación. La mayoría de las herramientas ofrecen su mejor rendimiento en el tono y el peor en el comportamiento del acabado, y una
Creación de la muestra
Sigue el protocolo general de precisión en cuanto a dimensiones y referencias, y después prioriza los colores que suelen fallar en la práctica:
- Tonos casi neutros: azul marino, gris marengo, blanco roto, topo. Son los más difíciles y los que generan más devoluciones.
- Rojos y naranjas saturados: tienden a quemarse o recortarse (clipping) en muchos procesos de renderizado.
- Metalizados y perlados: donde el comportamiento del acabado lo es todo.
- Dos productos en tonos contiguos de tu propio catálogo: para comprobar si la herramienta es capaz de mantenerlos diferenciables.
- Un mismo producto fotografiado sobre fondo blanco y sobre gris neutro: esto deja al descubierto si el color varía en función del entorno.
Ajusta la gestión del color antes de empezar. Utiliza fotografías de referencia en sRGB, un monitor calibrado y las mismas condiciones de visualización para cada comparativa. De lo contrario, solo estarás midiendo las desviaciones de tu pantalla. Etsy, por ejemplo, solicita sRGB y lo convierte durante la subida; Walmart especifica RGB.
El protocolo
- Toma muestras numéricas para el tono, no lo hagas a ojo. Calcula el promedio de un área de 5x5 píxeles en tres zonas planas predeterminadas de cada producto (evitando bordes, brillos intensos y sombras). Registra los valores tanto de la referencia como del resultado generado.
- Calcula la diferencia en un espacio perceptual. La distancia euclídea en RGB no se corresponde con lo que percibe el ojo humano; convierte a Lab y compara. Si no tienes esa opción, anota los valores brutos y compáralos con un criterio uniforme, en lugar de improvisar un umbral de tolerancia sobre la marcha.
- Evalúa el acabado a simple vista, al 100% de escala. ¿El metalizado se distribuye y refleja adecuadamente por la pieza? ¿El satén conserva su degradado de brillo? Clasifícalo como conservado o aplanado.
- Prueba el par de tonos contiguos. Genera ambos colores y pregúntate si un cliente podría distinguirlos con claridad. Si se funden en un solo tono, es un fallo que ninguna prueba con un producto aislado habría detectado.
- Repite la prueba sobre el segundo fondo. Si un color cambia al modificar el fondo, no se está reproduciendo con fidelidad: la IA lo está infiriendo.
Cómo interpretar el resultado
Define tu propio margen de tolerancia antes de la prueba y déjalo por escrito. Decidir a posteriori qué se considera "suficientemente parecido" solo sirve para que el test confirme lo que querías ver.
Da más peso a los tonos casi neutros que a los colores saturados. Son el caso más complejo y donde realmente se pierde dinero en devoluciones.
Una coincidencia de píxeles con un acabado aplanado sigue siendo un error. Documenta ambos parámetros por separado para que una nota media no oculte el problema.
No corrijas la imagen para volver a puntuarla. Si retocas el resultado y evalúas la versión ajustada, estarás midiendo tu habilidad con la postproducción, no el rendimiento de la herramienta.
Lista de comprobación de precisión del color
| Qué comprobar | Cómo hacerlo | Cómo se ve un fallo |
|---|---|---|
| Gestión del color | Referencias sRGB, pantalla calibrada, mismas condiciones de visualización | Medir tu monitor en lugar de la herramienta |
| Tono | Promedio de cinco por cinco píxeles de tres zonas uniformes; comparar en Lab | Azul marino que se muestra como negro |
| Saturación y luminosidad | Las mismas muestras, evaluando intensidad y luminosidad | Una versión descolorida del color correcto |
| Comportamiento del acabado | A simple vista al 100%: ¿se mantiene el brillo o el reflejo metálico? | Una representación plana de un tejido tornasolado |
| Par de tonos adyacentes | Genera dos tonos contiguos de tu propia gama | Ambos se fusionan en un solo color |
| Segundo fondo | Repite sobre blanco y gris medio | Un color que cambia con el fondo se está deduciendo, no reproduciendo |
Azul marino y gris marengo
Dos pantalones de la misma gama: azul marino y gris marengo. Al tomar muestras de tres zonas planas de cada uno, el resultado del azul marino queda dentro de la tolerancia establecida antes de la prueba; el del gris marengo, también. Al generarlos uno junto al otro como pareja, parecen del mismo color. Ninguna de las pruebas individuales falló. La prueba conjunta sí lo hizo, y esa es justo la que hace el cliente cuando le llega el paquete.
Preguntas frecuentes
¿Por qué los casi neutros son los colores más difíciles para las imágenes de producto generadas por IA?
El azul marino, el marengo, el blanco roto y el topo están muy cerca entre sí y del blanco y el negro, por lo que una pequeña variación en el tono o el valor los convierte en un color diferente. Son los colores con más devoluciones por este mismo motivo, razón por la cual la muestra les da tanto peso.
¿Basta con que el valor del píxel coincida para dar el color por correcto?
No. Un píxel muestreado puede coincidir mientras que el acabado queda aplanado: un satén sin su degradado de brillo o un metálico que ya no recorre la forma. El comportamiento del tono y del acabado se evalúan por separado para que un promedio no oculte el segundo.
¿Por qué comparar en Lab en lugar de RGB?
La distancia en RGB no se corresponde con lo que percibe el ojo. Convierte a un espacio perceptivo como Lab antes de comparar; si no está disponible, registra los valores sin procesar y compáralos de forma consistente en lugar de inventar un umbral.
¿Por qué repetir la prueba sobre un segundo fondo?
Un color que cambia cuando se modifica el fondo no se está reproduciendo a partir de la referencia; se está deduciendo del entorno. El blanco y el gris medio dejan esto al descubierto.
¿Puedo corregir el color y puntuar la imagen corregida?
No. Si ajustas el resultado y puntúas la versión ajustada, habrás medido tu retoque, no la herramienta. Define la tolerancia antes de la ejecución y puntúa lo que haya generado la herramienta.
Lo que este protocolo no cubre
Este método mide la fidelidad respecto a una referencia en un entorno de visualización controlado. No predice cómo se verá el color en el móvil sin calibrar de un cliente a plena luz del día; ese es un problema real e independiente que ninguna prueba con imágenes generadas puede resolver.
Protocolos relacionados: cómo medir la precisión general de una imagen, geometría del producto, conservación de texturas.
Para generar las imágenes que vas a evaluar, consulta fotografía de producto con IA.