Нейросеть для карточек товаров: каталог по 10 рублей за фото
Розничной сети одежды нужно было распродать остатки больше чем на 1 млрд рублей, а контента для екома не было. Я предложил нейросеть для карточек товаров: снимаем на складе, получаем студийное фото. Рассказываю, как настроили генерацию фото одежды через описание, HEX-палитру и QA-цикл.
К нам пришли с задачей, что есть розничная сеть одежды. С остаткам больше чем на 1 млрд рублей брендовых вещей. И их нужно как-то распродать. А еще это не просто остатки, а всё прошлогодние коллекции, которые в интернете фиг найдешь. Начали считать гипотезу по запуску екома и встал вопрос откуда взять контент :)
Я говорю давайте возьмём нано банано, сфоткаем как получится на складе кладовщиком и вот вам студийная съемка. Студийная и правда получилась, но с двумя пуговицами вместо одной. С другим узором. Там где должно быть приталено получалось свободно.
Как настроили генерацию фото одежды нейросетью
1. Сначала составляем описание товара через ИИ по фото: ткань, швы, фурнитура, каждая деталь.
2. Цвет и подсчёт — коррекция баланса белого, извлечение HEX-палитры и сколько точно элементов, пуговец например
3. Кропы деталей — автоматически находим 2-3 ключевые детали, обрезаем и увеличиваем, применяем в промпте
4. Генерация — промпт с описанием + палитрой + количеством элементов + кропами + единым стилем каталога + правилами генерации лица и позы
5. QA-цикл — сравниваем с оргиналом, если видим расхождение, то еще раз перегенерация и так пока не будет результата
6. Отдельные промпты для каждой товарной категории
7. Проверка человеком :) без этого никак. Обратная связь от проверяльщика, чтобы потом доточить промпт.
Результат: фото товара нейросетью за 10 рублей
- 1 фото = 10 руб в себестоимости. Можно дешевле, но страдает или качество фото или % ошибок растет
- Лица и позы такие, которые планировали
- Из мятой рубашки на вешалке получилось фото студийного уровня
Почему генерация фото одежды ошибается в деталях
Диффузионные модели вроде Nano Banana, Midjourney или Stable Diffusion не копируют исходник. Они рисуют новое изображение «по мотивам» описания и референса. Отсюда лишняя пуговица, другой узор и свободный крой вместо приталенного.
Для каталога это критично. Покупатель получает вещь, которая не совпадает с картинкой, и оформляет возврат.
По закону о защите прав потребителей (статья 26.1) покупатель дистанционного товара может вернуть его в течение 7 дней без объяснения причин. Каждое расхождение фото с реальной вещью — повод воспользоваться этим правом.
Какие элементы модель путает чаще всего
- Количество: пуговицы, карманы, шлёвки, полоски.
- Мелкий принт и логотипы: модель «перерисовывает» их.
- Посадку: приталенный силуэт, длину рукава, высоту талии.
- Фактуру ткани: лён превращается в хлопок, матовое — в глянцевое.
- Оттенок: без коррекции баланса белого цвет уходит на 1–2 тона.
Пайплайн: из чего состоит процесс генерации
Я смотрю на эту задачу как на конвейер, а не на один промпт. Каждый шаг снижает вероятность ошибки на следующем.
Первым идёт текстовое описание: модель с компьютерным зрением разбирает фото со склада и составляет паспорт товара. В нём ткань, швы, фурнитура и число элементов. Дальше — цвет: после коррекции баланса белого извлекается HEX-палитра, например #1F2A44 для тёмно-синего, и она уходит в промпт как жёсткое ограничение.
Нейросеть для фото товаров: где нужен человек
Автоматическая проверка сравнивает результат с оригиналом и отправляет на перегенерацию. Но финальное слово за человеком. Он отмечает, что не так, и эта обратная связь превращается в правила для промпта конкретной категории: у рубашек одни ошибки, у пуховиков другие.
Короткий цикл важнее большой модели.
Фото товара нейросетью и требования площадок
Перед запуском я бы проверил правила площадки, куда пойдут карточки. Маркетплейсы запрещают изображения, которые вводят покупателя в заблуждение о товаре, и могут скрыть карточку после жалоб. Собственный интернет-магазин свободнее, но и там расхождение кадра с вещью бьёт по рейтингу и повторным покупкам.
Отдельный вопрос — лица. Генерация модели снимает расходы на кастинг и права на изображение человека по статье 152.1 ГК РФ: реального человека в кадре нет. Зато нужны правила, чтобы лица и позы были единообразными на всём каталоге, иначе витрина выглядит как сборная солянка.
Ещё одна деталь — хранение исходников. Фото со склада, паспорт товара и итоговый кадр стоит держать вместе под одним артикулом. Когда через полгода придёт жалоба покупателя, будет видно, на каком шаге возникла ошибка.
Студийная съёмка или генерация: сравнение
Решение зависит от объёма и от того, насколько ассортимент уникален. Прошлогодние коллекции, которых нет в интернете, — хороший кандидат для генерации: готового контента нет, а снимать тысячи позиций в студии долго.
| Параметр | Студийная съёмка | Генерация по фото со склада |
|---|---|---|
| Себестоимость кадра | Сотни рублей и выше | Около 10 рублей в нашем случае |
| Скорость | Десятки позиций в день | Сотни позиций в день |
| Точность деталей | Полная | Нужен QA-цикл и проверка человеком |
| Модели и позы | Кастинг, гонорары | Задаются правилами в промпте |
| Риск возвратов из-за фото | Минимальный | Растёт без контроля качества |
Как запустить генерацию карточек у себя
Я бы начинал с одной категории и 50–100 товаров. Этого хватит, чтобы увидеть типичные ошибки и собрать первые правила.
Пошагово
- Выбрать категорию с простой геометрией: футболки, свитшоты, сумки.
- Сделать фото на складе при одинаковом свете, телефон на штативе.
- Собрать паспорт товара и палитру автоматически, а не вручную.
- Зафиксировать стиль каталога: фон, ракурс, позу, тип модели.
- Ввести порог расхождений, после которого кадр уходит на перегенерацию.
- Отдавать каждую партию проверяющему и вносить правки в промпт.
Типичные ошибки
Экономить на проверке. При 10 рублях за кадр соблазн убрать человека велик, но один возврат дорогой куртки обходится дороже сотни сгенерированных фото.
Вторая ошибка — один промпт на весь ассортимент. Обувь, трикотаж и верхняя одежда требуют своих правил. Третья — забыть про маркетплейсы: у Wildberries и Ozon свои требования к фону, соотношению сторон 3:4 и запрету на вводящие в заблуждение изображения.
И последнее: не обещать заказчику идеальный результат с первой партии. Первые 2–3 недели уходят на то, чтобы собрать правила по категориям и откалибровать порог автоматической проверки.
Вопросы и ответы
Сколько стоит одно фото товара, сгенерированное нейросетью?
У нас вышло 10 рублей за фото в себестоимости. Можно дешевле, но тогда страдает качество или растёт процент ошибок.
Почему нейросеть искажает детали одежды на фото?
С первого раза получались две пуговицы вместо одной, другой узор, свободный крой вместо приталенного. Поэтому сначала составляем описание товара, извлекаем палитру и считаем элементы, а потом сравниваем результат с оригиналом.
Нужна ли проверка человеком при генерации фото товаров?
Без неё никак. Проверяльщик даёт обратную связь, и по ней мы дотачиваем промпт для каждой товарной категории.