E-commerce : photos de produits
Op deze pagina
Mis à jour le 2 novembre 2026 — modèles d’image.
gpt-image-1, le modèle pour lequel ce cours a été initialement rédigé, a été arrêté le 23 octobre 2026.gpt-image-1.5,gpt-image-1-minietchatgpt-image-latestseront retirés le 1er décembre 2026. Les exemples utilisent désormaisgpt-image-2.5-sunburst, qui offre la plus grande précision pour l’édition ;gpt-image-2.5-flareest plus rapide pour la génération standard. Les deux modèles prennent également en charge les paramètres de qualitéxhighetmax. Les modèles GPT Image renvoient toujours les images en base64 : le paramètreresponse_formatutilisé par les anciens modèles DALL·E n’est plus accepté et a été supprimé du code. Source : Génération d’images (OpenAI).
E-commerce : photos de produits
La génération d’images par IA transforme la production visuelle du e-commerce. Une séance photo traditionnelle nécessite un studio, un photographe, un retoucheur et plusieurs semaines de planification, avec des budgets se chiffrant en milliers d’euros. GPT Image produit un visuel produit professionnel en quelques secondes. Cette leçon vous montre comment générer des images commercialement viables, c’est-à-dire répondant aux standards visuels d’une page de fiche produit, plutôt que de créer de simples illustrations décoratives.
Photos de produits sur fond blanc
Le fond blanc est la référence absolue en e-commerce. Les places de marché l’exigent et les acheteurs s’y attendent lorsqu’ils comparent des articles côte à côte. Le défi ne consiste pas simplement à dire « fond blanc », mais à décrire l’éclairage qui rend le produit lisible. L’instruction (prompt) dans la fonction ci-dessous combine cinq détails spécifiques qui font toute la différence : un fond blanc pur, un éclairage de studio en softbox, une ombre douce pour éviter un effet de découpe grossier, un angle légèrement plongeant à 3/4 pour ajouter du volume, et une référence au style « Amazon / e-commerce premium » pour cadrer le résultat.
from openai import OpenAI
import base64
client = OpenAI()
def photo_produit_fond_blanc(description_produit: str, output: str):
"""Génère une photo de produit sur fond blanc, style e-commerce."""
prompt = (
f"{description_produit}, "
"professional product photography on pure white background, "
"studio softbox lighting, soft shadow, "
"slightly high 3/4 angle, "
"maximum sharpness, high resolution, "
"Amazon / premium e-commerce style"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Product photo: {output}")
photo_produit_fond_blanc(
"Matte black wireless headphones, premium design, leather ear cushions",
"casque_fond_blanc.png"
)
Photos lifestyle
Une photo sur fond blanc informe ; une photo lifestyle crée le désir. Elle montre le produit dans son contexte d’utilisation, permettant à l’acheteur de se projeter dans la scène. Une gourde isotherme posée sur un rocher face à un panorama montagneux ne vend pas de l’acier brossé, elle vend une randonnée. Le vocabulaire de l’instruction change donc complètement : lumière naturelle au lieu du studio, léger bokeh au lieu d’une netteté maximale, composition décentrée suivant la règle des tiers au lieu d’un sujet centré. Le format passe également au paysage, car ces visuels servent de bannières de pages produits ou de contenus pour les réseaux sociaux.
from openai import OpenAI
import base64
client = OpenAI()
def photo_lifestyle(produit: str, contexte: str, output: str):
"""Génère une photo lifestyle d'un produit en contexte."""
prompt = (
f"{produit} used in a {contexte} context, "
"editorial lifestyle photography, natural light, "
"depth of field with light bokeh, "
"off-center composition rule of thirds, "
"aspirational mood, magazine style"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1536x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Lifestyle photo: {output}")
photo_lifestyle(
"Brushed stainless steel insulated water bottle",
"mountain hiking, resting on a rock with a panoramic view",
"gourde_lifestyle.png"
)
photo_lifestyle(
"Brown waxed canvas backpack",
"trendy coffee shop, resting on a wooden chair next to a laptop",
"sac_lifestyle.png"
)
Déclinaisons de couleurs d’un même produit
Un modèle de basket disponible en cinq couleurs nécessite cinq visuels rigoureusement identiques, ne différant que par la couleur : même angle, même ombre, même cadrage. La boucle ci-dessous fait exactement cela. Elle maintient un bloc de directives photographiques strictement constant, en ne variant que le nom de la couleur. Ce qui vous coûterait une demi-journée de temps studio et de retouche est traité ici en une seule exécution de script.
from openai import OpenAI
import base64
client = OpenAI()
produit_base = "High-top leather sneakers"
couleurs = [
("white", "white_sneakers.png"),
("black", "black_sneakers.png"),
("burgundy red", "bordeaux_sneakers.png"),
("navy blue", "navy_sneakers.png"),
("olive green", "olive_sneakers.png"),
]
for couleur, filename in couleurs:
prompt = (
f"{produit_base} in {couleur}, "
"product photography on white background, studio lighting, "
"front 3/4 view, soft cast shadow, "
"premium e-commerce site style, maximum sharpness"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(filename, "wb") as f:
f.write(data)
print(f"Color {couleur} → {filename}")
Pack multi-vues
Une fiche produit sérieuse ne se contente jamais d’une seule prise de vue. Les acheteurs souhaitent voir l’objet de face, de profil, de dessus et en trois-quarts avant de sortir leur carte bancaire. La fonction pack_vues_produit industrialise cette exigence en itérant sur quatre descriptions d’angles et en ajoutant un suffixe prévisible à chaque nom de fichier. Cela permet à votre système back-office de les rattacher automatiquement au bon SKU (référence produit) ultérieurement.
from openai import OpenAI
import base64
client = OpenAI()
def pack_vues_produit(description: str, prefix: str):
"""Génère un pack de 4 vues de produit."""
vues = [
("front view, centered", "face"),
("left profile view, 90 degree angle", "profil"),
("top view, flat lay", "dessus"),
("3/4 view, slightly high angle", "3-4"),
]
for prompt_vue, suffix in vues:
prompt = (
f"{description}, {prompt_vue}, "
"pure white background, professional studio lighting, "
"maximum sharpness, e-commerce style"
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
path = f"{prefix}_{suffix}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"View {suffix} → {path}")
pack_vues_produit(
"Smartwatch with black silicone strap, round dial, OLED screen",
"montre"
)
Modification du fond d’une photo existante
Vous avez déjà une photo sur fond blanc et souhaitez une version lifestyle sans régénérer le produit ? images.edit() vous permet de le faire, à condition de raisonner à l’envers : le masque protège le produit et libère tout le reste. La fonction ci-dessous dessine une ellipse opaque au centre — la zone préservée — et laisse la périphérie transparente pour que le modèle la repeigne. L’appel spécifie dans l’instruction que le produit central reste intact, renforçant ainsi le comportement attendu.
import base64
from openai import OpenAI
from PIL import Image, ImageDraw
client = OpenAI()
def changer_fond_produit(image_path: str, nouveau_fond: str, output: str):
"""
Remplace le fond d'une photo de produit.
Suppose que le produit est centré dans l'image.
"""
source = Image.open(image_path)
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 0))
draw = ImageDraw.Draw(mask)
# Zone opaque au centre = protégée
margin_x, margin_y = w // 5, h // 5
draw.ellipse(
[margin_x, margin_y, w - margin_x, h - margin_y],
fill=(0, 0, 0, 255)
)
mask.save("temp_mask_fond.png")
response = client.images.edit(
model="gpt-image-2.5-sunburst",
image=open(image_path, "rb"),
mask=open("temp_mask_fond.png", "rb"),
prompt=f"Background: {nouveau_fond}, the product in the center remains intact"
)
with open(output, "wb") as f:
f.write(base64.b64decode(response.data[0].b64_json))
print(f"Background modified: {output}")
changer_fond_produit(
"casque_fond_blanc.png",
"minimalist light wood design desk, blurred green plant in background",
"casque_lifestyle_auto.png"
)
Ce que la génération ne garantit pas
Quatre mises en garde sont importantes avant d’intégrer ceci dans un catalogue de production. La première concerne la cohérence : GPT Image ne garantit pas que le même produit sera identique d’une génération à l’autre. Une déclinaison de couleur générée trois jours plus tard pourrait revenir avec une semelle légèrement différente. La solution consiste à générer toutes les variantes d’un même SKU lors de la même session, comme le fait la boucle de couleurs.
La deuxième concerne le texte sur le produit lui-même. Les logos et étiquettes imprimées sont bien rendus, mais vous devez toujours les relire. Un pot de crème dont le nom de marque manque d’une lettre peut échapper à l’œil du script, mais pas à celui du client. La troisième mise en garde concerne les dimensions réelles, que le modèle ignore. Si les proportions comptent — une bouteille de 50 ml qui ne doit pas ressembler à un pot d’un litre — spécifiez-les explicitement dans l’instruction. La quatrième est méthodologique : l’IA accélère la production, mais elle ne remplace pas la validation humaine. Aucun visuel ne devrait jamais être mis en ligne sur une page produit sans avoir été revu par une personne.
Pour tester l’ensemble de la chaîne, choisissez un produit réel ou fictif et écrivez un script qui génère son pack e-commerce complet : une photo sur fond blanc, deux photos lifestyle dans des contextes différents et trois déclinaisons de couleurs. Vous aurez ainsi une idée concrète de ce que représente un catalogue de cent références (SKUs).