Taksonomi Kegagalan dalam Fotografi Produk AI

Sebagian besar gambar produk yang ditolak ditolak dengan kalimat yang sama: terlihat aneh. Kalimat itu membuat operator kembali ke alat untuk mencoba lagi, dan gambar berikutnya terlihat aneh dengan cara yang berbeda. Yang kurang adalah sebuah nama. Refleksi yang memperlihatkan studio lama, resleting kedua, bayangan yang jatuh ke arah yang salah, tepi lembut dari sumber cahaya lembut, dan potongan potret pada saluran persegi adalah lima kegagalan berbeda dengan lima perbaikan berbeda, dan tidak satupun dari itu bisa diperbaiki hanya dengan mencoba lagi.

Halaman ini adalah taksonomi: setiap cara gambar produk yang dihasilkan gagal, diklasifikasikan ke dalam lima kelas berdasarkan kesalahan yang terjadi, lengkap dengan penyebab dan solusi untuk masing-masing. Halaman ini tidak mempublikasikan tingkat kegagalan untuk alat atau kelas apapun. Yang diberikan adalah kosakata untuk peninjauan — sehingga gambar yang ditolak memiliki alasan yang menunjuk pada langkah tertentu — dan urutan untuk memeriksanya.

Apa saja cara utama fotografi produk AI bisa gagal?

Ada lima: produk berubah (warna, bentuk, tekstur, proporsi, atau detailnya berbeda dari foto asli); sesuatu yang dibuat-buat (fitur, tanda, atau sisi yang sebenarnya tidak dimiliki produk); adegan tidak cocok dengan produk (cahaya, bayangan, skala, kontak, refleksi, atau perspektif yang tidak sesuai); sumber tidak cukup baik (blur, bayangan, sisi tersembunyi, resolusi rendah, latar yang salah, sehingga alat harus menebak); dan gambar tidak sesuai dengan kanal (potongan, latar, ukuran, atau aturan yang diterapkan marketplace). Setiap kelas punya penyebab dan solusi masing-masing, dan peninjauan dilakukan dengan urutan tersebut karena dua yang pertama adalah yang paling bisa dipertanggungjawabkan ke pelanggan.

Kenapa harus mengklasifikasikan kegagalan?

Kegagalan yang punya nama punya solusi: warna yang berubah mengarah ke referensi warna dan pengecekan; kantong yang dibuat-buat mengarah ke sisi tersembunyi sumber; bayangan yang salah mengarah ke pencahayaan adegan. Kegagalan tanpa nama tidak mengarah ke mana-mana, jadi operator mengulang dengan sumber dan permintaan yang sama dan mendapatkan jenis kegagalan yang sama dengan detail berbeda. Mengklasifikasikan juga membuat peninjauan batch jadi lebih mudah: sepuluh gambar yang ditolak karena "aneh" berarti sepuluh masalah berbeda; sepuluh gambar yang ditolak karena "kelas 3, ketidaksesuaian cahaya" berarti satu masalah di satu langkah.

Kelas 1 — produk berubah

Produk dalam gambar bukan produk yang ada di foto asli.

• Tanda-tandanya: warna bergeser dibanding referensi; proporsi memanjang; tekstur jadi halus atau terlalu tajam; detail bergeser — seperti kancing, jahitan, garis leher; pola berubah jaraknya; logo digambar ulang; huruf pada label diganti dengan bentuk huruf.
• Penyebab: piksel produk digambar ulang — render ulang dari deskripsi, sudut yang tidak ada di sumber, pembesaran yang meminta detail baru, beberapa perubahan sekaligus.
• Solusi: alur kerja yang mempertahankan piksel produk dan menghasilkan di sekitarnya; satu perubahan per gambar; referensi warna di master; perbandingan dengan master dalam ukuran penuh.
• Tingkat keparahan: pelanggan menerima produk yang berbeda. Tolak.

Kelas 2 — sesuatu yang dibuat-buat

Gambar menunjukkan fitur, tanda, atau sisi yang sebenarnya tidak dimiliki produk.

• Tampak seperti: penutup tambahan, kantong, tali, port, atau jahitan; fitur yang dibuat simetris; tanda di tempat biasanya ada tanda; bagian belakang atau bawah yang digambar dari depan; aksesori yang tidak termasuk.
• Penyebab: kekurangan pada sumber — sisi tersembunyi, penutup yang bayangan, pemotongan — yang dilengkapi alat dengan apa yang biasanya ada pada produk serupa; permintaan yang mendeskripsikan produk; sudut baru dari sumber yang tidak menampilkannya.
• Solusi: gunakan sumber yang menampilkan setiap fitur dan kekurangannya dari semua sisi yang digunakan dalam listing; deskripsikan suasana, bukan produk; hitung fitur pada sumber dan hasil.
• Tingkat keparahan: pelanggan memesan sesuatu yang tidak ada. Tolak.

Kelas 3 — suasana tidak cocok dengan produk

Produk benar, suasana benar, tapi keduanya tidak cocok.

• Tampak seperti: bayangan jatuh ke arah cahaya; sorotan pada produk dari sisi yang tidak diterangi suasana; pantulan yang memperlihatkan studio lama; produk melayang di atas permukaan atau tenggelam ke dalamnya; produk sebesar bangunan atau mainan; perspektif di mana tanah mundur tapi produk tidak; warna yang tidak bisa dijelaskan suasana.
• Penyebab: pencahayaan suasana yang tidak sesuai dengan sumber utama; produk reflektif atau transparan yang membawa pantulan ruangan lama; bayangan kontak yang dibuat terpisah dari produk; skala yang tidak ditentukan dalam permintaan.
• Solusi: suasana diterangi dari sisi sorotan sumber utama; latar netral untuk produk reflektif, latar publikasi untuk produk transparan; bayangan diperiksa arah, kelembutan, dan kontaknya; referensi ukuran dalam suasana jika skala penting.
• Tingkat keparahan: gambar terlihat palsu sebelum ada yang bisa menjelaskan kenapa; yang hilang adalah kepercayaan, bukan produk. Tolak, dan perbaiki suasananya, bukan produknya.

Kelas 4 — sumber kurang memadai

Alat harus menebak karena foto tidak cukup jelas.

• Tampak seperti: tepi lembut karena sumbernya buram; sisi bayangan yang halus sampai hilang; produk resolusi rendah dalam suasana tajam; warna yang tidak bisa dicek karena tidak ada referensi; sisi tersembunyi yang jadi kelas 2 saat sudut baru diminta; master putih yang dipaksakan ke suasana gelap untuk produk transparan.
• Penyebab: foto — buram, cahaya tidak merata, bagian tersembunyi, file kecil, latar yang salah — bukan kesalahan alat.
• Solusi: foto ulang. Cahaya merata, resolusi penuh, semua sisi, referensi warna, latar yang akan dipakai gambar. Di Photta, unggahan sampai 10 MB mempertahankan detail asli kamera.
• Tingkat keparahan: setiap gambar turunannya mewarisi masalah ini. Perbaiki sumber sebelum membuat gambar lain.

Kelas 5 — gambar benar, tapi channel salah

Gambarnya sudah tepat, tapi channel tidak menerima atau menampilkannya dengan buruk.

• Penampakan: gambar utama di latar yang menuntut warna putih murni; potongan potret yang ditampilkan dalam kotak persegi dengan produk terpotong; produk terlalu kecil dalam bingkai untuk zoom channel; bayangan atau properti yang dilarang oleh aturan kategori; ukuran file atau format yang ditolak channel.
• Penyebab: gambar dibuat sebelum aturan channel dibaca.
• Solusi: baca persyaratan channel terbaru langsung dari channelnya, dan lakukan ekspor per channel: putih untuk gambar utama jika diperlukan, potongan dan pengisian yang dibutuhkan kotak, format dan ukuran yang diterima saat upload.
• Tingkat keparahan: penolakan atau tampilan buruk, tapi tidak merugikan pelanggan. Ekspor ulang, jangan buat ulang.

Nama, tempat, perbaikan

Siklus yang dilayani oleh daftar periksa di bawah ini, dinamai agar halaman akurasi lain bisa merujuk.

1. Nama — setiap gambar yang ditolak diberi tag dengan kelas dan baris yang gagal.
2. Tempat — kelas dipetakan ke langkah: sumber, alur kerja, adegan, pemeriksaan, atau ekspor.
3. Perbaikan — langkah tersebut diubah, dan gambar dibuat ulang sekali; kegagalan kedua di kelas yang sama berarti langkahnya yang salah, bukan gambarnya.

Urutan triase untuk batch

Urutkan seperti ini karena dua kegagalan pertama adalah yang bisa dipertanggungjawabkan ke pelanggan; yang ketiga mengurangi kepercayaan; yang keempat menjelaskan sisanya; yang kelima hanya perlu ekspor ulang.

Review dalam skala besar: sampling, pengecualian, dan pencatatan

Taksonomi ini dibuat untuk reviewer yang melihat satu gambar saja. Saat menghadapi katalog berisi ribuan gambar, pertanyaannya berubah dari "apakah gambar ini sudah benar" menjadi "gambar mana saja yang perlu dilihat oleh reviewer", dan jawabannya adalah aturan sampling, aturan pengecualian, dan pencatatan.

• Sampling berdasarkan produk, bukan gambar. Setiap produk harus dilihat minimal sekali — gambar utama produk dibandingkan dengan master — karena dua kelas pertama berlaku per produk, dan perubahan warna atau fitur yang dibuat ulang muncul di semua gambar produk tersebut. Adegan dan varian diambil sampelnya.
• Proses pengecualian secara menyeluruh. Produk yang kategorinya sulit dikenali — seperti yang reflektif, transparan, teks kecil, perhiasan, pakaian berlapis — harus direview sepenuhnya tanpa terkecuali, karena kesalahan mereka bisa terlewat hanya dengan sekilas.
• Perluas sampling saat ada kelas yang muncul. Jika ada penolakan kelas dua dalam satu batch, berarti setup sumber yang menghasilkan gambar itu patut dicurigai; review semua produk yang difoto dengan cara yang sama.
• Sebutkan alasan setiap penolakan. Penolakan tanpa kelas berarti regenerasi dengan hasil yang sama; penolakan dengan kelas berarti ada perubahan pada sumber, resep, adegan, atau ekspor.
• Catat semuanya. Gambar mana yang sudah dilihat, oleh siapa, dibandingkan dengan master mana, dengan kelas dan perbaikan apa. Ini yang membuat sampel batch berikutnya lebih kecil dan batch setelahnya bisa dipercaya.

Review yang melihat setiap gambar bukan berarti review lebih ketat; justru review seperti itu akan dilewati saat katalog terlambat minggu pertama. Sampling yang selalu melihat produk dan pengecualian adalah review yang bertahan lama.

Satu batch, lima jenis masalah

Sebuah merek peralatan rumah tangga meninjau satu batch mug keramik: dua belas gambar dari satu master putih dengan kartu abu-abu. Dua gambar menunjukkan glasir yang warnanya sedikit lebih hangat dari kartu — kelas 1, pencahayaan pada adegan menyentuh produk; alur kerja diubah agar piksel tetap terjaga dan keduanya dihasilkan ulang. Satu gambar menunjukkan pegangan di sisi belakang yang sebenarnya tidak ada pada mug — kelas 2, sumber tidak pernah menampilkan bagian belakang; bagian belakang difoto dan sudutnya dihasilkan ulang dari situ. Tiga gambar memiliki bayangan yang jatuh ke arah jendela — kelas 3, pencahayaan adegan salah sisi; adegan dipencar ulang dari kiri. Satu gambar agak buram di tepi atas — kelas 4, fokus master; master difoto ulang dan batch diulang. Dua gambar ukuran mugnya terlalu kecil untuk tile persegi di marketplace — kelas 5; gambar dipotong ulang. Tiga gambar lolos. Setiap penolakan ada langkah perbaikannya, dan batch berikutnya gagal lebih sedikit karena langkahnya, bukan gambarnya, yang diperbaiki.

Pertanyaan yang sering diajukan

Apa kegagalan paling serius dalam fotografi produk AI?

Produk yang berubah atau dibuat-buat — kelas 1 dan 2 — karena pelanggan bisa membandingkan gambar dengan barang yang diterima. Adegan yang tidak sesuai dengan produk membuat kepercayaan hilang meski produk tidak salah gambaran; sumber yang buruk menjelaskan masalah lain; ketidakcocokan saluran bisa menyebabkan ekspor gagal.

Kenapa gambar produk AI saya "terasa aneh" padahal tidak ada yang salah jelas?

Hampir selalu kelas 3: produk dan adegan tidak memiliki arah cahaya yang sama. Bayangan jatuh ke arah yang salah, sorotan muncul tiba-tiba, permukaan reflektif menunjukkan studio lama, produk terlihat melayang. Cek arah cahaya pada produk dan bayangan adegan dulu sebelum hal lain.

Haruskah saya hasilkan ulang gambar yang gagal atau perbaiki sumbernya?

Tergantung kelasnya. Kelas 1 dan 2 diperbaiki di alur kerja dan sumber; kelas 3 di adegan; kelas 4 hanya dengan foto ulang; kelas 5 dengan ekspor ulang. Menghasilkan ulang dengan sumber dan permintaan yang sama akan mengulang kegagalan kelas tersebut.

Bagaimana cara cepat meninjau batch besar?

Dengan urutan triase, menggunakan nama. Bandingkan setiap gambar dengan master-nya dalam ukuran penuh, beri tag kelas kegagalan pertama, dan kelompokkan penolakan berdasarkan kelas: batch yang gagal mayoritas di satu kelas hanya perlu satu langkah perbaikan.

Apakah taksonomi ini juga berlaku untuk virtual try-on dan gambar model?

Ya, dengan pakaian atau produk sebagai elemen yang tidak boleh berubah dan model sebagai bagian dari adegan. Kelasnya sama; jumlah di kelas 2 menjadi tombol, jahitan, cetakan, dan keliman, serta kelas 3 menambahkan kesesuaian dan jatuhnya kain yang sesuai dengan tubuh.

Hal yang tidak diklaim oleh halaman ini

Bahwa setiap kelas terjadi dengan tingkat tertentu, di alat apa pun; halaman ini tidak mengukur apa pun. Yang diklaim adalah bahwa setiap kegagalan termasuk dalam salah satu dari lima kelas, bahwa setiap kelas menunjuk pada satu langkah dalam alur kerja, dan bahwa ulasan yang menyebutkan kelas tersebut memperbaiki langkahnya, bukan gambarnya.

Untuk menjaga piksel produk saat pergantian adegan, lihat AI product photography; untuk pengukuran di balik kelas 1, bagaimana mengukur akurasi gambar produk AI; untuk kelas 2 secara mendalam, bagaimana mencegah AI menambahkan detail produk yang tidak ada.

Panduan pendamping

• Cara Mengukur Akurasi Foto Produk Berbasis AI
• Cara Mencegah AI Menambahkan Detail Produk yang Tidak Ada
• Akurasi Geometri Produk dalam Fotografi AI