E-commerce: zdjęcia produktów
Na tej stronie
Zaktualizowano 2 listopada 2026 — modele obrazów. Model
gpt-image-1, dla którego pierwotnie napisano ten kurs, został wycofany 23 października 2026. Modelegpt-image-1.5,gpt-image-1-miniorazchatgpt-image-latestzostaną wycofane 1 grudnia 2026. Przykłady wykorzystują obecnie modelgpt-image-2.5-sunburst, który oferuje najwyższą precyzję podczas edycji; modelgpt-image-2.5-flarejest szybszy przy standardowej generacji. Oba modele obsługują również ustawienia jakościxhighimax. Modele GPT Image zawsze zwracają obrazy w formacie base64: parametrresponse_format, używany przez starsze modele DALL·E, nie jest już akceptowany i został usunięty z kodu. Źródło: Image generation (OpenAI).
E-commerce: zdjęcia produktów
Generowanie obrazów przez AI rewolucjonizuje produkcję wizualną w e-commerce. Tradycyjna sesja zdjęciowa wymaga studia, fotografa, retuszera i kilku tygodni planowania, a budżety sięgają tysięcy euro. GPT Image tworzy profesjonalny wizual produktu w kilka sekund. Ta lekcja pokaże Ci, jak generować obrazy nadające się do użytku komercyjnego – czyli spełniające standardy wizualne karty produktu – zamiast tworzyć zwykłe ilustracje dekoracyjne.
Zdjęcia produktów na białym tle
Białe tło to złoty standard w e-commerce. Wymagają go marketplace’y, a klienci oczekują go, porównując produkty obok siebie. Wyzwaniem nie jest jedynie powiedzenie „białe tło“, ale opisanie oświetlenia, które sprawia, że produkt jest czytelny. Prompt w poniższej funkcji łączy pięć konkretnych szczegółów, które robią różnicę: czysto białe tło, studyjne oświetlenie softboxowe, miękki cień, aby uniknąć efektu grubego wycięcia, lekko podwyższony kąt 3/4 dodający objętości oraz odniesienie do stylu „Amazon / premium e-commerce“, aby nadać ramy wynikowi.
from openai import OpenAI
import base64
client = OpenAI()
def photo_produit_fond_blanc(description_produit: str, output: str):
"""Generate a product photo on a white background, e-commerce style."""
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"
)
Zdjęcia lifestyle’owe
Zdjęcie na białym tle informuje; zdjęcie lifestyle’owe budzi pożądanie. Pokazuje produkt w kontekście jego użycia, pozwalając kupującemu wyobrazić siebie w tej scenie. Izolowana butelka na wodę spoczywająca na skale z widokiem na panoramę gór nie sprzedaje szczotkowanej stali – sprzedaje wędrówkę. Słownictwo promptu zmienia się więc całkowicie: światło naturalne zamiast studyjnego, lekkie bokeh zamiast maksymalnej ostrości, kompozycja niecentryczna zgodna z regułą trójpodziału zamiast wycentrowanego obiektu. Format również zmienia się na poziomy, ponieważ te wizuale służą jako banery na stronach produktów lub treści do mediów społecznościowych.
from openai import OpenAI
import base64
client = OpenAI()
def photo_lifestyle(produit: str, contexte: str, output: str):
"""Generate a lifestyle photo of a product in context."""
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"
)
Warianty kolorystyczne tego samego produktu
Model buta dostępny w pięciu kolorach wymaga pięciu rygorystycznie identycznych wizuali, różniących się tylko kolorem: ten sam kąt, ten sam cień, to samo kadrowanie. Poniższa pętla robi dokładnie to. Utrzymuje blok dyrektyw fotograficznych ściśle stały, zmieniając jedynie nazwę koloru. To, co kosztowałoby Cię pół dnia czasu studyjnego i retuszu, jest tutaj obsługiwane w jednym wykonaniu skryptu.
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}")
Pakiet wielowidokowy
Poważna oferta produktu nigdy nie opiera się na jednym ujęciu. Kupujący chcą zobaczyć obiekt z przodu, z boku, z góry i pod kątem trzech czwartych, zanim wyciągną kartę. Funkcja pack_vues_produit uprzemysławia to wymaganie, iterując przez cztery opisy kątów i dodając przewidywalny sufiks do każdej nazwy pliku. Pozwala to systemowi back-office automatycznie dołączyć je później do właściwego kodu SKU.
from openai import OpenAI
import base64
client = OpenAI()
def pack_vues_produit(description: str, prefix: str):
"""Generate a pack of 4 product views."""
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"
)
Modyfikacja tła istniejącego zdjęcia
Masz już zdjęcie na białym tle i chcesz wersję lifestyle’ową bez ponownego generowania produktu? images.edit() pozwala to zrobić, pod warunkiem myślenia odwrotnego: maska chroni produkt i uwalnia wszystko inne. Poniższa funkcja rysuje nieprzezroczystą elipsę na środku – strefę zachowaną – i pozostawia peryferie przezroczyste, aby model mógł je przemalować. Wywołanie określa w prompcie, że centralny produkt pozostaje nienaruszony, co wzmacnia oczekiwane zachowanie.
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):
"""
Replace the background of a product photo.
Assumes the product is centered in the image.
"""
source = Image.open(image_path)
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 0))
draw = ImageDraw.Draw(mask)
# Opaque zone in center = protected
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"
)
Czego generacja nie gwarantuje
Warto odnotować cztery zastrzeżenia przed wdrożeniem tego do produkcyjnego katalogu. Pierwsze to spójność: GPT Image nie gwarantuje, że ten sam produkt będzie identyczny przy każdej generacji. Wariant kolorystyczny uruchomiony trzy dni później może mieć nieco inną podeszwę. Rozwiązaniem jest generowanie wszystkich wariantów tego samego SKU w tej samej sesji, tak jak robi to pętla kolorów.
Drugie dotyczy tekstu na samym produkcie. Loga i drukowane etykiety są renderowane dobrze, ale nadal musisz je sprawdzać. Słoik kremu, w którym brakuje litery w nazwie marki, może przejść przez oko skryptu, ale nie przejdzie przez oko klienta. Trzecie zastrzeżenie dotyczy rzeczywistych wymiarów, które model ignoruje. Jeśli proporcje mają znaczenie – butelka 50 ml, która nie powinna wyglądać jak słoik 1-litrowy – określ je wyraźnie w prompcie. Czwarte jest metodologiczne: AI przyspiesza produkcję, ale nie zastępuje ludzkiej walidacji. Żaden wizual nie powinien nigdy trafić na stronę produktu bez przeglądu przez człowieka.
Aby przetestować cały łańcuch, wybierz produkt rzeczywisty lub fikcyjny i napisz skrypt, który generuje jego kompletny pakiet e-commerce: jedno zdjęcie na białym tle, dwa zdjęcia lifestyle’owe w różnych kontekstach oraz trzy warianty kolorystyczne. Wtedy uzyskasz konkretne wyobrażenie o tym, co reprezentuje katalog stu kodów SKU.