Acasă/Metode

E-commerce · Imagini de produs

Cum verifici imaginile de produs înainte de publicare: capcanele din packshot-urile și infograficele automate

Toate defectele serioase de imagine pe care le-am găsit au trecut de verificările automate: un packshot curat căruia îi lipsea jumătate din produs, un infografic cu cote corecte desenate peste alt produs, un fișier clar care devenea neclar după decupare. Metoda este să deschizi fiecare imagine și s-o compari cu o referință independentă pentru produsul fizic, nu cu alte poze din același pachet al furnizorului.

Actualizat 2026-10-11

Ce verifici și față de ce

Ca să verifici o imagine de produs generată sau curățată automat, deschide-o și compar-o cu o referință independentă pentru produsul fizic, cum ar fi referința de SKU a furnizorului, eticheta de pe cutie sau produsul din depozit, în loc să te bazezi pe cifrele raportate de scriptul de imagini. Un packshot este fotografia produsului singur, pe un fundal simplu, de obicei alb; un infografic de produs este o imagine cu dimensiuni sau caracteristici scrise pe ea. Ambele sunt tot mai des produse sau curățate de scripturi și ambele greșesc în feluri pe care cifrele nu le arată.

Defectele de mai jos vin din listarea și relistarea produselor în mai multe magazine online și dintr-o aplicație de scanare din depozit care arată poza produsului la pregătirea comenzii. Fiecare părea corect pentru un script.

Ancorează-te în produs, nu în poze

Un produs avea în titlu un set de dimensiuni, iar URL-ul și numele fișierelor purtau altul. Am găsit același articol pe un marketplace, cu un desen tehnic cotat care se potrivea cu al doilea set și, decisiv, cu aceeași fotografie ca prima noastră poză. Am schimbat dimensiunile peste tot. Greșit: referința furnizorului arăta că pozele erau ale altui produs, iar desenul descria perfect acel alt produs.

Lecția: întreabă dacă o dovadă trece prin artefactul aflat în dispută. URL-ul, numele fișierelor, volumul declarat și desenul din afară veneau toate din același pachet de furnizor: patru semnale, o singură sursă. Cu cât potrivirea e mai perfectă (chiar aceeași imagine), cu atât confirmă mai sigur lucrul greșit. Ancorează-te în ce nu poate fi copiat dintr-un pachet de marketing: eticheta de pe cutie, cu SKU, culoare și cod de bare, sau produsul fizic. Un brief greșit strică o căutare la fel: o primă căutare pe 6 piste a eșuat pentru că descrisesem un acoperiș într-o singură apă la un produs cu două.

Infograficele: cifre corecte peste desenul greșit

La un produs, titlul, descrierea și tabelul de specificații spuneau toate că ușa e glisantă, iar 4 din 5 poze arătau o ușă glisantă. A cincea, infograficul de dimensiuni, avea toate cele 11 cote corecte și randarea unei uși duble din sticlă, pe balamale, cu clanță: alt produs. Un audit pe text nu găsește nimic, fiindcă cifrele se potrivesc perfect. Furnizorii pun dimensiunile produsului tău peste o randare de stoc, iar defectul se vede doar dacă deschizi imaginea și te uiți la mecanism. Am verificat apoi toate cele 6 produse din acea categorie și am găsit aceeași clasă de defect, inclusiv o schiță care cota ușa la 1,5 m, când specificația spunea 0,61 m, adică de 2,5 ori.

Culoarea se măsoară, nu se apreciază. Pe randări neutre, roșu minus albastru peste 25 înseamnă maro cald, iar sub 15, taupe sau gri neutru. O galerie a dat între 28 și 35, iar referința furnizorului 12, deci diferența nu venea din lumină.

Nu regenera niciodată o imagine care conține text. Un model AI de imagine redesenează etichetele cu cote. Noi reparăm zona defectă cu textură luată din aceeași imagine și punem la loc pixelii originali ai textului printr-o mască; dovada este o diferență de zero pixeli pe zonele cu text. Pentru recolorare mutăm crominanța în spațiul de culoare LAB printr-o mască de nuanță, cu o deschidere morfologică de 9 px care ocolește liniile subțiri de cotă. Verifică nuanța rezultată, nu doar că pasul a rulat: o trecere în plus a prins pixeli de iarbă de la marginea măștii și a înverzit un perete.

Packshot-urile: curățarea care amputează

Scriptul nostru de packshot curăța o poză cu produsul pe alb păstrând doar componenta conexă cea mai mare și albind restul. La un set de duș format din piese separate vizual a tăiat coloana și capul de ploaie și a lăsat doar bateria. S-a întâmplat de două ori pe același produs: o dată prins de un verificator adversarial, a doua oară doar pentru că ne-am uitat la poză înainte de încărcare. Rezultatul arăta impecabil, curat și bine încadrat, și înfățișa alt produs.

Metricile noastre de calitate (procentul de alb, încadrarea la 97%, variația muchiilor) erau toate compatibile cu o poză din care lipsea jumătate din produs; niciuna nu întreabă dacă produsul mai e întreg. Regula de acum: numără componentele conexe din sursă, iar dacă sunt mai multe, nu folosi filtrul de componentă. Albește doar fundalul aproape alb, de exemplu canalul verde de la 244 în sus trecut la 255, și încadrează tot conținutul.

Rezoluția ține de decupaj, nu de fișier

Am descărcat imaginile sursă cu un parametru de lățime de 1100, deși originalele de pe CDN-ul magazinului aveau 2048 de pixeli. Pentru un produs care umple cadrul, scalarea la o ieșire de 1200 px însemna o mărire de 1,06 până la 1,29 ori, pe care n-o observă nimeni. O imagine principală venea însă dintr-un inset, produsul pe alb pus peste o fotografie de ambient: 462 pe 648 de pixeli reali, măriți de 1,80 ori, iar neclaritatea se vedea imediat. Descărcat la 2048, insetul a devenit 860 pe 1206, de 1,86 ori mai mulți pixeli, iar mărirea a scăzut la 1,05.

Descarcă originalele fără parametru de lățime; costă câțiva megaocteți. Înainte de încărcare, calculează pentru fiecare imagine principală lățimea produsului în sursă împărțită la lățimea de ieșire; peste aproximativ 1,3, caută altă sursă.

Când uniformizăm încadrarea pe o colecție, scalăm produsul la 0,86 din înălțimea cadrului, lăsăm 3,5% spațiu sus ca să nu tăiem capace și pulverizatoare, păstrăm 2000 px și salvăm JPEG la calitatea 95, fără subeșantionarea crominanței. Multe magazine refolosesc același fișier media pe multe produse; într-un magazin am găsit 72 de fișiere pe 54 de produse, unul dintre ele pe 22. Redenumirea unui fișier partajat îl redenumește peste tot, iar o temă care referă imaginile după numele fișierului se strică. Fă întâi backup la toate originalele.

Variante și SKU-uri: poza potrivită pentru articolul potrivit

În aplicația de scanare din depozit, variantele roșu și albastru ale aceluiași produs arătau aceeași poză, pentru că aplicația citea imaginea produsului, nu pe a variantei. Imaginea corectă a variantei exista deja într-un tabel sincronizat zilnic, pe care nu-l citea nimic. Din 164 de SKU-uri cu imagine de variantă, 99 arătaseră altceva. Mărimile aceleiași culori împart corect o poză, așa că o regulă care desparte tot ce arată la fel ar fi stricat tocmai cazurile bune. Varianta de a prefera poza din magazin ar fi schimbat 745 de produse ca să repare 82.

Ne-a păcălit și propria măsurătoare. Imaginile treceau printr-un proxy al aplicației, iar tăierea URL-urilor la semnul întrebării făcea toate imaginile trecute prin proxy să pară identice: 2.673 de SKU-uri păreau să împartă o poză, când cifra reală, după decodarea parametrului din proxy, era 255 de grupuri și 958 de SKU-uri.

Un SKU poate însemna două produse fizice. 178 din 1.933 de SKU-uri cu cod de bare (9,2%) au coduri de bare diferite în magazine diferite, pentru că numerele simple de catalog se refolosesc între branduri. Tratează SKU-ul ca pe o cheie ambiguă: identifică produsul prin codul de bare și refuză o scriere când codurile duc la produse diferite.

Imagini generate și potrivire după imagine

Pentru imagini generate de ambient sau de detaliu, dă modelului între 1 și 3 fotografii reale de referință, ca să păstreze exact produsul; fără ele, inventează unul. Folosește imagini generate pentru scene, niciodată pentru infografice cu dimensiuni sau pentru orice trebuie să fie măsurabil.

Ca să găsim același produs în două cataloage când codurile de bare nu sunt de încredere, combinăm un hash perceptual (o distanță Hamming de cel mult 12 înseamnă o fotografie aproape identică) cu reprezentări CLIP ale imaginii (o similaritate cosinus de cel puțin 0,925 înseamnă același produs în altă fotografie). Pe produse de larg consum pe fundal alb, CLIP dă în jur de 0,92 și unor produse diferite, așa că potrivirile doar pe CLIP trebuie să aibă și 2 cuvinte comune în nume și să treacă de o poartă de atribute: număr de bucăți, dimensiuni, putere. După această calibrare n-am văzut potriviri false, dar acoperirea a fost doar de 15 până la 35% când ambele părți refăcuseră fotografiile, deci potrivirea după imagine completează alte metode, nu le înlocuiește.

Unde am greșit și ce nu garantează metoda

Am avut încredere într-o dovadă care trecea prin pozele disputate, în metrici care nu întrebau niciodată dacă produsul e întreg și aproape am livrat o regulă care ar fi stricat imagini corecte. De fiecare dată, un om care s-a uitat la imagine a prins ce le scăpase verificărilor. Metoda nu înlocuiește privirea aceea; îți spune unde să te uiți.

Imaginile nepotrivite aduc și un risc de politică. Google Merchant Center poate restricționa un cont întreg pentru prezentare înșelătoare. La noi, cauza au fost widgeturile de urgență falsă și insignele de beneficii copiate pe produsul greșit, de pildă o insignă despre siguranța pentru piele pe o foarfecă, nu fotografiile. Regula de review e însă aceeași: ai o singură cerere în fereastra de avertizare, așa că repari tot înainte să ceri.

Listă de verificare

Înainte de încărcare: deschide fiecare imagine; compar-o cu referința de SKU a furnizorului sau cu eticheta de pe cutie, nu cu alte poze din același pachet; verifică mecanismul și culoarea, nu doar cifrele; numără componentele conexe înainte de orice curățare de packshot; calculează raportul de mărire din decupaj.

În catalog: fă backup la originale înainte de redenumire sau reîncadrare; folosește imaginile de variantă pentru variante; tratează SKU-urile ca ambigue; nu regenera niciodată imagini care poartă dimensiuni.

Întrebări și răspunsuri

Cum verific dacă un packshot curățat automat mai arată produsul întreg?

Uită-te la el și numără componentele conexe din imaginea sursă înainte de curățare. Dacă produsul e format din mai multe piese separate vizual, de exemplu o coloană de duș și o baterie, un filtru care păstrează doar componenta cea mai mare va tăia piese. În acest caz albește doar fundalul aproape alb și încadrează tot conținutul. Metrici precum procentul de alb sau încadrarea nu detectează piesa lipsă.

Pot folosi AI ca să repar un infografic de produs cu dimensiuni?

Nu prin regenerare: un model de imagine redesenează textul, iar etichetele cu cote se schimbă. Repară zona defectă cu textură din aceeași imagine, apoi pune la loc pixelii originali ai textului printr-o mască și dovedește rezultatul cu o diferență de zero pixeli pe zonele cu text. Folosește imaginile generate pentru scene de ambient, cu 1 până la 3 fotografii reale de referință, ca produsul să rămână fidel.

De ce arată neclară poza de produs în magazin deși fișierul e mare?

Pentru că rezoluția care contează este a zonei decupate, nu a fișierului. Un produs care umple cadrul rezistă și la o sursă mică, dar unul luat dintr-un inset poate ajunge mărit de 1,80 ori. Descarcă originalele fără parametru de lățime și împarte lățimea produsului în sursă la lățimea de ieșire; peste aproximativ 1,3, caută o sursă mai bună.

De ce toate variantele de culoare arată aceeași poză?

De obicei pentru că sistemul citește imaginea produsului, nu pe a variantei. Verifică dacă imaginea variantei există deja în datele de catalog înainte să construiești o regulă nouă. Ține minte că mărimile diferite ale aceleiași culori trebuie să împartă o poză, așa că o regulă care desparte orice imagine identică strică tocmai cazurile corecte.

Cum găsesc același produs în două cataloage fără coduri de bare sigure?

Combină un hash perceptual, care găsește fotografii aproape identice, cu reprezentări CLIP ale imaginii, care găsesc același produs în altă fotografie, și adaugă o poartă de atribute (număr de bucăți, dimensiuni, putere) plus cuvinte comune în nume. Pe produse pe fundal alb, CLIP singur dă scoruri mari și unor produse diferite. Așteaptă-te la precizie mare și acoperire modestă când ambele părți și-au refăcut fotografiile.

Toate metodele