En feilklassifisering for AI-produktfotografering

De fleste avviste produktbilder blir avvist med samme setning: det ser feil ut. Den setningen sender operatøren tilbake til verktøyet for å prøve igjen, og neste bilde ser feil ut på en annen måte. Det som mangler, er et navn. En refleksjon som viser det gamle studioet, en ekstra glidelås, en skygge som faller feil vei, en myk kant fra en myk lyskilde og et portrettbeskjæring på en firkantet kanal er fem ulike feil med fem ulike løsninger, og ingen av dem blir rettet ved å prøve på nytt.

Denne siden er en taksonomi: alle måter et generert produktbilde kan feile på, sortert i fem klasser etter hva som gikk galt, med årsak og løsning for hver. Den publiserer ingen feilrate for noe verktøy eller klasse. Det den gir, er et vokabular for gjennomgangen — slik at et avvist bilde blir avvist med en grunn som peker på et steg — og en rekkefølge for hva man skal se etter.

Hva er de vanligste måtene AI-produktfotografi feiler på?

Fem: produktet endret seg (farge, form, tekstur, proporsjon eller en detalj er annerledes enn på fotografiet); noe ble oppfunnet (en funksjon, et merke eller en side produktet ikke har); scenen stemmer ikke med produktet (lys, skygge, skala, kontakt, refleksjon eller perspektiv som ikke passer); kilden var ikke god nok (uskarphet, skygge, en skjult side, lav oppløsning, feil bakgrunn, så verktøyet måtte gjette); og bildet er feil for kanalen (beskjæring, bakgrunn, størrelse eller en regel markedsplassen håndhever). Hver klasse har sin egen årsak og løsning, og gjennomgangen ser etter dem i den rekkefølgen fordi de to første er de kundene kan holde deg ansvarlig for.

Hvorfor klassifisere feil i det hele tatt?

En feil med navn har en løsning: en endret farge peker på fargereferansen og sjekken; en oppfunnet lomme peker på kildens skjulte side; en feil skygge peker på scenens lys. En feil uten navn peker på ingenting, så operatøren genererer på nytt med samme kilde og samme forespørsel og får samme type feil med ulike detaljer. Klassifisering gjør det også mulig å gjennomgå en hel batch: ti bilder avvist som «feil» er ti problemer; ti bilder avvist som «klasse 3, lysfeil» er ett problem i ett steg.

Klasse 1 — produktet endret seg

Produktet i bildet er ikke det samme som produktet på fotografiet.

• Slik ser det ut: en farge som har forskjøvet seg i forhold til referansen; en proporsjon som er strukket; en tekstur som er utglattet eller skjerpet; en detalj som er flyttet — en knapp, en søm, en halslinje; et mønster som er omorganisert; en logo som er tegnet på nytt; bokstavene på en etikett erstattet med bokstavformer.
• Årsak: produktets piksler ble tegnet på nytt — en ny gjengivelse fra en beskrivelse, en vinkel kilden ikke hadde, en oppskalering som måtte finne opp detaljer, flere endringer i ett steg.
• Løsning: en arbeidsflyt som beholder produktets piksler og genererer rundt dem; én endring per bilde; en fargereferanse i originalen; en sammenligning med originalen i full størrelse.
• Alvorlighetsgrad: kunden får et annet produkt. Avvis.

Klasse 2 — noe ble funnet opp

Bildet viser en funksjon, et merke eller en side produktet ikke har.

• Hvordan det ser ut: en ekstra lukking, lomme, stropp, port eller søm; en funksjon speilet for symmetri; et merke der det vanligvis er merker; en bakside eller underside tegnet fra forsiden; et tilbehør som ikke følger med.
• Årsak: et hull i kilden — en skjult side, en skyggelagt lukking, en beskjæring — som verktøyet fylte ut med det slike produkter vanligvis har; en forespørsel som beskrev produktet; en ny vinkel fra en kilde som ikke viste den.
• Løsning: en kilde der alle funksjoner og fravær er synlige, fra alle sider som annonsen bruker; beskriv scenen, aldri produktet; tell funksjoner i kilden og i resultatet.
• Alvorlighetsgrad: kunden bestiller noe som ikke finnes. Avvis.

Klasse 3 — scenen stemmer ikke med produktet

Produktet er riktig, scenen er riktig, men de hører ikke sammen.

• Hvordan det ser ut: skyggen faller mot lyset; en refleksjon på produktet fra en side scenen ikke har lys på; en refleksjon som viser det gamle studioet; et produkt som svever over flaten eller er sunket ned i den; et produkt på størrelse med en bygning eller en leke; et perspektiv der bakken trekker seg tilbake, men ikke produktet; en farge som scenen ikke kan forklare.
• Årsak: scenelys valgt uten hensyn til hovedlyset; et reflekterende eller gjennomsiktig produkt som bærer med seg rommet det kom fra; en kontakt-skygge laget utenfor produktet; en skala forespørselen aldri fastsatte.
• Løsning: scener belyst fra hovedlysets høydepunkt; en nøytral bakgrunn for reflekterende produkter, publiseringsbakgrunn for gjennomsiktige; en skygge kontrollert for retning, mykhet og kontakt; en størrelsesreferanse i scenen der skala er viktig.
• Alvorlighetsgrad: bildet oppfattes som falskt før noen kan si hvorfor; tilliten, ikke produktet, er det kunden mister. Avvis, og rett opp scenen, ikke produktet.

Klasse 4 — kilden var ikke god nok

Verktøyet måtte gjette fordi bildet ikke ga nok informasjon.

• Hvordan det ser ut: myke kanter der kilden var myk; en skyggeside som glir ut i ingenting; et lavoppløst produkt i en skarp scene; en farge som ikke kan kontrolleres fordi det ikke finnes referanse; en skjult side som blir klasse 2 så snart en ny vinkel etterspørres; en hvit master presset inn i en mørk scene for et gjennomsiktig produkt.
• Årsak: fotografiet — uskarphet, ujevnt lys, en skjult del, en liten fil, feil bakgrunn — ikke genereringen.
• Løsning: ny fotografering. Jevnt lys, full oppløsning, alle sider, fargereferanse, bakgrunnen bildet skal bruke. I Photta beholder opplastinger opptil 10 MB kameraets originale detaljnivå.
• Alvorlighetsgrad: alle etterfølgende bilder arver feilen. Fiks kilden før du genererer noe mer.

Klasse 5 — riktig bilde, feil kanal

Bildet er korrekt, men kanalen godtar det ikke eller viser det dårlig.

• Slik ser det ut: et hovedbilde i en scene der markedsplassen krever helt hvit bakgrunn; et portrettbeskjært bilde vist i et kvadratisk format med produktet delvis kuttet bort; produktet for lite i rammen for kanalens zoom; en skygge eller rekvisitt som kategorireglene forbyr; en filstørrelse eller format kanalen avviser.
• Årsak: bildet ble laget før kanalens regler ble lest.
• Løsning: les kanalens gjeldende krav direkte fra kanalen, og eksporter per kanal: hvit bakgrunn for hovedbildet der det kreves, riktig beskjæring og utfylling av flisen, format og størrelse som opplastingen godtar.
• Alvorlighetsgrad: avvisning eller dårlig visning, uten skade for kunden. Eksporter på nytt, ikke generer på nytt.

Navn, sted, løsning

Sjekklisten nedenfor beskriver prosessen, navngitt slik at de andre nøyaktighetssidene kan referere til den.

1. Navn — hvert avvist bilde merkes med sin klasse og raden som feilet.
2. Sted — klassen knyttes til steget: kilde, arbeidsflyt, scene, kontroll eller eksport.
3. Løsning — det aktuelle steget endres, og bildet genereres på nytt én gang; en ny feil i samme klasse betyr at steget, ikke bildet, er feil.

Prioritering ved behandling av en batch

Følg denne rekkefølgen fordi de to første er feil kunden kan holde deg ansvarlig for; den tredje svekker tilliten; den fjerde forklarer resten; den femte koster bare en eksport.

Gjennomgang i stor skala: prøvetaking, unntak og registrering

Taksonomien er laget for en som vurderer ett bilde om gangen. En katalog med tusenvis av bilder endrer spørsmålet fra «er dette bildet riktig» til «hvilke bilder må en person se», og svaret er en prøvetakingsregel, en unntaksregel og en registrering.

• Prøvetak på produktnivå, ikke på bilde. Hvert produkt blir sett minst én gang — hovedbildet mot masterbildet — fordi de to første klassene gjelder per produkt, og en endret farge eller en oppdiktet detalj gjentas på alle bilder av det produktet. Scener og varianter prøvetas.
• Send unntakene til full gjennomgang. Produkter med kategorier som ofte feiler stille — reflekterende, gjennomsiktige, fin tekst, smykker, lagdelte plagg — går til full gjennomgang uansett prøvetaking, fordi feilene deres oppdages med et blikk.
• Utvid prøven når en klasse dukker opp. Én klasse-to avvisning i en batch betyr at kildeoppsettet som laget det er mistenkelig; gjennomgå alle produkter fotografert på samme måte.
• Gi hver avvisning en klasse. En avvisning uten klasse er en ny generering med samme resultat; en avvisning med klasse betyr en endring i kilde, oppskrift, scene eller eksport.
• Før oversikt. Hvilke bilder som ble sett, av hvem, mot hvilket masterbilde, med hvilken klasse og løsning. Det gjør neste batchs prøve mindre, og den etter det pålitelig.

En gjennomgang som ser hvert bilde er ikke strengere; den blir bare hoppet over første uke katalogen er forsinket. En prøve som alltid ser produktet og alltid ser unntakene er gjennomgangen som varer.

Én batch, fem feiltyper

Et merke innen interiør vurderer en batch med steintøyskrus: tolv bilder fra én hvit master med gråkort. To viser glasuren litt varmere enn kortet — klasse 1, lyset i scenen fikk lov til å treffe produktet; arbeidsflyten endres for å beholde pikslene og begge genereres på nytt. Én viser et håndtak på baksiden som kruset ikke har — klasse 2, kilden viste aldri baksiden; baksiden fotograferes og vinkelen regenereres ut fra det. Tre har en skygge som faller mot vinduet — klasse 3, scenen var belyst fra feil side; scenene lyssettes på nytt fra venstre. Én er myk i kanten — klasse 4, masterens fokus; masteren tas på nytt og batchen gjentas. To har kruset for lite i forhold til markedsplassens kvadratiske flis — klasse 5; de beskjæres på nytt. Tre går gjennom. Hver feil har et steg, og neste batch feiler mindre fordi det er stegene, ikke bildene, som er fikset.

Ofte stilte spørsmål

Hva er den alvorligste feilen i AI-produktfotografering?

Et endret eller oppdiktet produkt — klasse 1 og 2 — fordi kunden kan sammenligne bildet med det som faktisk kommer. En scene som ikke stemmer med produktet, svekker tilliten uten å feilrepresentere produktet; en dårlig kilde forklarer de andre feilene; feil kanal gir tap ved eksport.

Hvorfor ser AI-produktbildene mine "feil ut" når ingenting åpenbart er galt?

Nesten alltid klasse 3: produktet og scenen har ulik lysretning. Skyggen faller feil vei, høylyset kommer fra ingensteds, en reflekterende overflate viser det gamle studioet, produktet ser ut til å sveve. Sjekk lysretningen på produktet opp mot skyggen i scenen før noe annet.

Skal jeg regenerere et feilaktig bilde eller fikse kilden?

Det avhenger av klassen. Klasse 1 og 2 fikses i arbeidsflyten og kilden; klasse 3 i scenen; klasse 4 bare ved nyfotografering; klasse 5 ved ny eksport. Å regenerere med samme kilde og forespørsel gjentar feilen.

Hvordan går jeg raskt gjennom en stor batch?

I prioritert rekkefølge, med navn. Sammenlign hvert bilde med masteren i full størrelse, merk det med første feilklasse det feiler på, og grupper avvisningene etter klasse: en batch som feiler mest i én klasse har ett steg å fikse.

Gjelder denne inndelingen også for virtuelle prøver og modellbilder?

Ja, med plagget eller produktet som det som ikke skal endres, og modellen som en del av scenen. Klassene er de samme; i klasse 2 blir tellingene knapper, sømmer, trykk og kanter, og klasse 3 legger til at passform og fall må stemme med kroppen.

Hva denne siden ikke påstår

At noen feil oppstår i en bestemt grad eller i et bestemt verktøy; denne siden måler ingenting. Det den sier, er at alle feil hører til én av fem kategorier, at hver kategori peker på ett steg i arbeidsflyten, og at en gjennomgang som navngir kategorien fikser steget, ikke bildet.

For å bevare produktets piksler gjennom en sceneskifte, se AI produktfotografering; for målingen bak klasse 1, hvordan måle AI-produktbildets nøyaktighet; for klasse 2 i dybden, hvordan hindre AI i å legge til produkter som ikke finnes.

Utfyllende veiledninger

• Slik måler du nøyaktigheten til AI-produktbilder
• Hvordan unngå at AI legger til ikke-eksisterende produktdetaljer
• Geometrisk presisjon for produkter i AI-fotografering