De meeste afgekeurde productfoto’s krijgen dezelfde opmerking: het ziet er niet goed uit. Die opmerking stuurt de operator terug naar de tool om het opnieuw te proberen, maar de volgende foto ziet er weer op een andere manier niet goed uit. Wat ontbreekt is een naam. Een reflectie die de oude studio laat zien, een tweede rits, een schaduw die de verkeerde kant op valt, een zachte rand door een zachte lichtbron en een portretcrop op een vierkant kanaal zijn vijf verschillende fouten met vijf verschillende oplossingen, en geen van deze wordt opgelost door het gewoon nog eens te proberen.
Deze pagina is een taxonomie: elke manier waarop een gegenereerde productfoto faalt, ingedeeld in vijf klassen op basis van wat er misging, met de oorzaak en de oplossing voor elke fout. Er worden geen faalpercentages gepubliceerd voor een tool of klasse. Wat het biedt is een vocabulaire voor de beoordeling — zodat een afgekeurde foto wordt afgekeurd met een reden die wijst naar een stap — en een volgorde om te controleren.
Wat zijn de belangrijkste manieren waarop AI-productfotografie faalt?
Vijf: het product is veranderd (de kleur, vorm, textuur, verhouding of een detail wijkt af van de foto); er is iets verzonnen (een kenmerk, een vlek of een zijde die het product niet heeft); de scène klopt niet met het product (licht, schaduw, schaal, contact, reflectie of perspectief passen niet); de bron was niet goed genoeg (onscherpte, schaduw, een verborgen zijde, lage resolutie, verkeerde ondergrond, waardoor de tool moest gokken); en de foto is niet geschikt voor het kanaal (crop, ondergrond, formaat of een regel die de marktplaats hanteert). Elke klasse heeft zijn eigen oorzaak en oplossing, en de beoordeling kijkt ze in die volgorde na omdat de eerste twee de fouten zijn waar een klant je op kan aanspreken.
Waarom überhaupt fouten classificeren?
Een fout met een naam heeft een oplossing: een veranderde kleur wijst naar de kleurreferentie en de controle; een verzonnen zak wijst naar de verborgen zijde van de bron; een verkeerde schaduw wijst naar het licht in de scène. Een fout zonder naam wijst nergens naar, dus genereert de operator opnieuw met dezelfde bron en dezelfde opdracht en krijgt dezelfde soort fout met andere details. Classificeren maakt een batch ook beter te beoordelen: tien foto’s afgekeurd als “niet goed” zijn tien verschillende problemen; tien foto’s afgekeurd als “klasse 3, licht klopt niet” zijn één probleem in één stap.
Klasse 1 — het product is veranderd
Het product op de foto is niet het product op de originele foto.
- Hoe het eruitziet: een kleur wijkt af van de referentie; een verhouding is uitgerekt; een textuur is zachter of scherper gemaakt; een detail is verplaatst — een knoop, een naad, een halslijn; een patroon is anders verdeeld; een logo is opnieuw getekend; letters op een label zijn vervangen door lettervormen.
- Oorzaak: de pixels van het product zijn opnieuw getekend — een nieuwe rendering vanuit een beschrijving, een hoek die de bron niet had, een upscale waarbij details zijn verzonnen, meerdere veranderingen in één stap.
- Oplossing: een workflow die de pixels van het product behoudt en eromheen genereert; één wijziging per foto; een kleurreferentie in het masterbestand; een vergelijking met het masterbestand op volledige grootte.
- Ernst: de klant ontvangt een ander product. Afkeuren.
Klasse 2 — er is iets verzonnen
De afbeelding toont een kenmerk, markering of zijde die het product niet heeft.
- Hoe het eruitziet: een extra sluiting, zak, bandje, aansluiting of naad; een kenmerk gespiegeld voor symmetrie; een markering op de plek waar die normaal staan; een achterkant of onderzijde getekend vanuit de voorkant; een accessoire dat niet inbegrepen is.
- Oorzaak: een gat in de bron — een verborgen zijde, een schaduwrijke sluiting, een uitsnede — die de tool aanvulde met wat zulke producten meestal hebben; een omschrijving die het product beschreef; een nieuw perspectief vanuit een bron die het niet liet zien.
- Oplossing: een bron waarin elk kenmerk en elke afwezigheid zichtbaar is, vanuit elke kant die de vermelding gebruikt; beschrijf de scène, nooit het product; tel de kenmerken in de bron en de output.
- Ernst: een klant bestelt iets dat niet bestaat. Afkeuren.
Klasse 3 — de scène klopt niet bij het product
Het product is correct, de scène klopt, maar ze horen niet bij elkaar.
- Hoe het eruitziet: de schaduw valt naar het licht toe; een highlight op het product vanuit een kant waar de scène geen licht heeft; een reflectie die het oude studio toont; een product dat boven het oppervlak zweeft of erin verzonken is; een product zo groot als een gebouw of juist als een speelgoedje; een perspectief waarbij de grond wegloopt maar het product niet; een kleurzweem die de scène niet kan verklaren.
- Oorzaak: het licht in de scène is gekozen zonder rekening te houden met dat van de master; een reflecterend of transparant product dat zijn oude omgeving meeneemt; een contactschaduw die los van het product is gemaakt; een schaal die in de opdracht niet is vastgelegd.
- Oplossing: scènes verlicht vanaf de kant van de highlight van de master; een neutrale omgeving voor reflecterende producten, de publicatie-achtergrond voor transparante; een schaduw die gecontroleerd is op richting, zachtheid en contact; een referentie voor de maat in de scène waar schaal belangrijk is.
- Ernst: de afbeelding oogt nep voordat iemand kan zeggen waarom; vertrouwen, niet het product, is wat de klant verliest. Afkeuren en de scène corrigeren, niet het product.
Klasse 4 — de bron was niet goed genoeg
De tool moest gokken omdat de foto het niet duidelijk maakte.
- Hoe het eruitziet: zachte randen waar de bron wazig was; een schaduwkant die is vervaagd tot niets; een product met lage resolutie in een scherpe scène; een kleur die niet gecontroleerd kan worden omdat er geen referentie was; een verborgen zijde die klasse 2 wordt zodra er een nieuw perspectief gevraagd wordt; een witte master gedrukt in een donkere scène voor een transparant product.
- Oorzaak: de foto — onscherpte, ongelijk licht, een verborgen deel, een klein bestand, de verkeerde achtergrond — niet de generatie.
- Oplossing: een nieuwe opname. Gelijkmatig licht, volledige resolutie, elke zijde, een kleurreferentie, de achtergrond die de afbeelding zal gebruiken. In Photta behouden uploads tot 10 MB de originele details van de camera.
- Ernst: elke volgende afbeelding erft dit probleem. Los de bron op voordat je iets anders genereert.
Klasse 5 — juiste afbeelding, verkeerde kanaal
De afbeelding is correct, maar het kanaal accepteert deze niet of toont hem slecht.
- Hoe het eruitziet: een hoofdfoto met een achtergrond terwijl het platform een zuiver witte achtergrond vereist; een portret uitsnede getoond in een vierkante tegel waarbij het product wordt afgesneden; het product te klein in beeld voor de zoom van het kanaal; een schaduw of attribuut die de categorie regels verbieden; een bestandsgrootte of formaat dat het kanaal afwijst.
- Oorzaak: de afbeelding is gemaakt zonder de regels van het kanaal te kennen.
- Oplossing: de actuele eisen van het kanaal zelf raadplegen en per kanaal exporteren: wit voor de hoofdfoto waar nodig, de juiste uitsnede en vulling voor de tegel, het formaat en de grootte die het uploadproces accepteert.
- Ernst: afwijzing of een slechte weergave, zonder nadelige gevolgen voor de klant. Export opnieuw uitvoeren, niet opnieuw genereren.
Naam, plaats, oplossing
De cyclus die de onderstaande checklist volgt, zo genoemd zodat de andere nauwkeurigheidspagina’s hiernaar kunnen verwijzen.
- Naam — elke afgewezen afbeelding wordt gelabeld met de klasse en de regel die niet werd gehaald.
- Plaats — de klasse gekoppeld aan de stap: bron, workflow, scène, controle of export.
- Oplossing — die stap aanpassen en de afbeelding één keer opnieuw genereren; een tweede mislukking in dezelfde klasse betekent dat de stap, niet de afbeelding, fout is.
Prioriteit bij batchcontrole
| Waar op letten | Klasse | Vraag | Bij falen |
|---|---|---|---|
| Kleur, vorm, textuur, detail vergeleken met het origineel | 1 — product gewijzigd | Is dit het product op de foto? | Afwijzen; pixels bewaren; één wijziging per afbeelding |
| Aantal sluitingen, naden, markeringen, zijden | 2 — verzonnen | Heeft het product dit? | Afwijzen; alle zijden en afwezigheid tonen in de bron |
| Licht, schaduw, reflectie, contact, schaal | 3 — scène klopt niet | Delen product en scène hetzelfde licht? | Afwijzen; scène opnieuw belichten of fotograferen, niet het product |
| Scherpte, resolutie, verborgen delen, referentie | 4 — bron | Had de tool dit kunnen weten? | Opnieuw fotograferen; elke volgende afbeelding erft dit |
| Achtergrond, uitsnede, grootte, categorierichtlijnen | 5 — kanaal | Wordt het door het kanaal goed getoond? | Opnieuw exporteren; niet opnieuw genereren |
In deze volgorde controleren omdat de eerste twee fouten zijn waar klanten je op kunnen aanspreken; de derde schaadt vertrouwen; de vierde verklaart de rest; de vijfde kost alleen een export.
Grootschalig beoordelen: steekproeven, uitzonderingen en het verslag
De taxonomie is geschreven voor een beoordelaar die naar één afbeelding kijkt. Bij een catalogus met duizenden afbeeldingen verandert de vraag van "is deze afbeelding goed" naar "welke afbeeldingen moet iemand zien", en het antwoord is een steekproefregel, een uitzonderingsregel en een verslag.
- Steekproef per product, niet per afbeelding. Elk product wordt minstens één keer bekeken — de hoofdafbeelding vergeleken met het origineel — omdat de eerste twee categorieën per product gelden en een gewijzigde kleur of een toegevoegd kenmerk in elke afbeelding van dat product terugkomt. Scènes en varianten worden steekproefsgewijs beoordeeld.
- Behandel uitzonderingen volledig. Producten waarvan de categorie stilzwijgend faalt — reflecterend, transparant, fijne tekst, sieraden, gelaagde kleding — worden volledig beoordeeld, ongeacht de steekproef, omdat hun fouten vaak over het hoofd worden gezien.
- Vergroot de steekproef bij het verschijnen van een categorie. Eén afwijzing in categorie twee binnen een batch betekent dat de broninstelling twijfelachtig is; beoordeel elk product dat op dezelfde manier is gefotografeerd.
- Geef elke afwijzing een naam. Een afwijzing zonder categorie is een nieuwe poging met hetzelfde resultaat; een afwijzing met categorie betekent een wijziging aan de bron, het recept, de scène of de export.
- Houd het verslag bij. Welke afbeeldingen zijn bekeken, door wie, vergeleken met welk origineel, met welke categorie en oplossing. Dit zorgt ervoor dat de steekproef bij de volgende batch kleiner wordt en de daaropvolgende betrouwbaar is.
Een beoordeling die elke afbeelding bekijkt is niet per se strenger; het is er een die de eerste week dat de catalogus vertraagd is, wordt overgeslagen. Een steekproef die altijd het product en de uitzonderingen bekijkt, is de beoordeling die blijft bestaan.
Eén batch, vijf namen
Een woonmerk beoordeelt een batch stenen mokken: twaalf beelden van één witte master met een grijskaart. Twee tonen het glazuur iets warmer dan de kaart — klasse 1, het licht in de scène raakte het product; de workflow wordt aangepast om de pixels te behouden en beide worden opnieuw gegenereerd. Eén toont een handvat aan de achterkant dat de mok niet heeft — klasse 2, de bron liet de achterkant nooit zien; de achterkant wordt gefotografeerd en de hoek wordt daarvan opnieuw gegenereerd. Drie hebben een schaduw die naar het raam valt — klasse 3, de scène was verkeerd belicht; de scènes worden opnieuw belicht vanaf links. Eén is onscherp aan de rand — klasse 4, de scherpstelling van de master; de master wordt opnieuw gefotografeerd en de batch herhaald. Twee zijn te klein voor het vierkante formaat van de marketplace — klasse 5; ze worden opnieuw bijgesneden. Drie slagen. Elke afkeuring heeft een stap, en de volgende batch faalt minder omdat de stappen, niet de beelden, zijn verbeterd.
Veelgestelde vragen
Wat is de ernstigste fout in AI-productfotografie?
Een veranderd of verzonnen product — klassen 1 en 2 — omdat de klant het beeld kan vergelijken met wat er geleverd wordt. Een scène die niet overeenkomt met het product kost vertrouwen zonder het product verkeerd weer te geven; een slechte bron verklaart de andere fouten; een kanaalmismatch kost een export.
Waarom zien mijn AI-productafbeeldingen er "raar" uit terwijl er niets duidelijk mis is?
Bijna altijd klasse 3: het product en de scène delen geen lichtbron. De schaduw valt de verkeerde kant op, het hooglicht komt uit het niets, een reflecterend oppervlak toont de oude studio, het product lijkt te zweven. Controleer eerst de lichtrichting op het product ten opzichte van de schaduw in de scène.
Moet ik een mislukt beeld opnieuw genereren of de bron aanpassen?
Dat hangt af van de klasse. Klassen 1 en 2 worden opgelost in de workflow en de bron; klasse 3 in de scène; klasse 4 alleen door opnieuw te fotograferen; klasse 5 door opnieuw te exporteren. Opnieuw genereren met dezelfde bron en opdracht herhaalt de fout.
Hoe beoordeel ik snel een grote batch?
In triagevolgorde, met namen. Vergelijk elk beeld op volledige grootte met de master, label het met de eerste klasse waarin het faalt, en groepeer de afkeuringen per klasse: een batch die vooral in één klasse faalt, heeft één stap om te verbeteren.
Geldt deze indeling ook voor virtuele pasvormen en modelafbeeldingen?
Ja, waarbij het kledingstuk of product het onveranderlijke element is en het model onderdeel van de scène. De klassen blijven hetzelfde; de fouten in klasse 2 worden knopen, naden, prints en zomen, en klasse 3 voegt de pasvorm en het vallen van de stof toe die overeen moeten komen met het lichaam.
Wat deze pagina niet beweert
Dat er überhaupt een klasse voorkomt, in welke tool dan ook; deze pagina meet niets. Wat het wel zegt, is dat elke fout in één van vijf klassen valt, dat elke klasse verwijst naar een stap in de workflow, en dat een beoordeling die de klasse benoemt, de stap repareert in plaats van de afbeelding.
Wil je de pixels van het product behouden bij een scènewissel, kijk dan bij AI productfotografie; voor de meting achter klasse 1, hoe je de nauwkeurigheid van AI-productafbeeldingen meet; voor klasse 2 in detail, hoe je voorkomt dat AI niet-bestaande productdetails toevoegt.