AI-генерация изображений товаров для e-commerce

Студийная съёмка одного товара обходится в около $1–1, а для каталога из 10 000 позиций бюджет становится астрономическим. При этом требования маркетплейсов к изображениям регулярно меняются: Wildberries просит 1000×1000 px, Amazon — 2000×2000 с отступом 85% площади под товар, Ozon — белый фон без теней. Переснимать каждый сезон или под каждую площадку — неоправданные затраты. Наш AI-пайплайн автоматизирует генерацию product images, экономя до 80% бюджета и ускоряя процесс до 2–5 секунд на кадр. Мы используем связку Stable Diffusion XL, ControlNet и IP-Adapter для точного сохранения формы и текстуры товара, а дообучение LoRA (ранг 16) адаптирует модель под уникальные признаки вашего каталога.

Типичная проблема — несовместимость изображений с разными площадками: для Ozon нужен строгий белый фон, для lifestyle-сцен — креативное окружение. Мы решаем это единым алгоритмом, который на этапе генерации подставляет нужный фон в зависимости от площадки. Подход не требует ручной доработки и масштабируется на весь каталог.

Как AI генерирует изображения товаров?

В основе — Stable Diffusion XL с инпейнтингом и ControlNet. Модель дообучается на вашем каталоге через LoRA (ранг 16) для сохранения уникальных признаков товара — текстуры, логотипа, формы. Весь пайплайн работает на PyTorch с Triton Inference Server для низкой latency. Мы используем динамические промпты на основе категории товара: для электроники — «modern minimalist desk setup», для одежды — «urban street style», для косметики — «marble surface with flowers». Это обеспечивает релевантность фона и повышает click-through rate на маркетплейсах. Без дообучения модель галлюцинирует — искажает форму или накладывает посторонние объекты. LoRA с рангом 16 решает эту проблему, сохраняя детализацию.

Удаление фона + генерация нового

from rembg import remove, new_session from PIL import Image from diffusers import StableDiffusionXLInpaintPipeline import torch import io import numpy as np class ProductImageGenerator: def __init__(self): self.bg_remover = new_session("isnet-general-use") self.pipe = StableDiffusionXLInpaintPipeline.from_pretrained( "diffusers/stable-diffusion-xl-1.0-inpainting-0.1", torch_dtype=torch.float16 ).to("cuda") def remove_background(self, product_image: bytes) -> tuple[bytes, bytes]: """Возвращаем (изображение без фона, маска фона)""" result = remove(product_image, session=self.bg_remover) img_rgba = Image.open(io.BytesIO(result)).convert("RGBA") r, g, b, a = img_rgba.split() mask = Image.fromarray(255 - np.array(a)) img_rgb = Image.new("RGB", img_rgba.size, (255, 255, 255)) img_rgb.paste(img_rgba, mask=img_rgba.split()[3]) img_buf = io.BytesIO() img_rgb.save(img_buf, format="PNG") mask_buf = io.BytesIO() mask.save(mask_buf, format="PNG") return img_buf.getvalue(), mask_buf.getvalue() def place_on_background( self, product_image: bytes, background_prompt: str, steps: int = 30 ) -> bytes: product_bytes, mask_bytes = self.remove_background(product_image) result = self.pipe( prompt=background_prompt, image=Image.open(io.BytesIO(product_bytes)), mask_image=Image.open(io.BytesIO(mask_bytes)), num_inference_steps=steps, guidance_scale=9.0, strength=0.99 ).images[0] buf = io.BytesIO() result.save(buf, format="PNG") return buf.getvalue() 

Генерация lifestyle-сцен

PRODUCT_SCENE_PROMPTS = { "electronics": [ "modern minimalist desk setup, natural light, laptop nearby, bokeh background", "cozy home office, wooden desk, plants, warm ambient lighting", ], "clothing": [ "fashion editorial, urban street style, natural daylight", "lifestyle shot, outdoor park, casual summer day", ], "food": [ "rustic wooden table, natural light, herbs nearby, shallow depth of field", "modern kitchen counter, marble surface, fresh ingredients", ], "cosmetics": [ "marble surface with flowers, soft pink background, luxury aesthetic", "bathroom counter, morning light, clean minimalist style", ] } async def generate_product_scenes( product_image: bytes, product_category: str, num_variants: int = 4 ) -> list[bytes]: prompts = PRODUCT_SCENE_PROMPTS.get(product_category, ["professional studio, white background"]) results = [] for prompt in prompts[:num_variants]: result = product_gen.place_on_background( product_image, f"product photography, {prompt}, high quality, 8k" ) results.append(result) return results 

Генерация цветовых вариаций

async def generate_color_variants( product_image: bytes, colors: list[str], product_mask: bytes ) -> dict[str, bytes]: """Меняем цвет товара через инпейнтинг с маской""" results = {} for color in colors: from diffusers import StableDiffusionXLInpaintPipeline result = pipe( prompt=f"same product shape, {color} color, same material texture, product photography", image=Image.open(io.BytesIO(product_image)), mask_image=Image.open(io.BytesIO(product_mask)), strength=0.6, guidance_scale=10.0 ).images[0] buf = io.BytesIO() result.save(buf, format="PNG") results[color] = buf.getvalue() return results 

Почему AI выгоднее студийной съёмки?

Экономия бюджета достигает 80%, а окупаемость проекта — 2–3 месяца при каталоге от 1000 позиций. Например, для ритейлера с каталогом из нескольких тысяч товаров мы сгенерировали десятки тысяч изображений (основные + lifestyle + цветовые варианты) за несколько дней. Студийная съёмка заняла бы месяц и обошлась в разы дороже.

Требования маркетплейсов к изображениям

Как мы внедряем решение?

1. Аудит каталога — анализируем текущие фото, требования площадок, объём данных.
2. Настройка пайплайна — дообучаем модель LoRA на 20–50 ваших товарах, подбираем промпты.
3. Batch-обработка — генерируем все изображения (фон, сцены, вариации).
4. Оптимизация — приводим к требованиям маркетплейсов (размер, формат, фон).
5. Интеграция — подключаем API к вашей CMS или выгружаем на FTP.
6. Контроль качества — автоматическая валидация + выборочная ручная проверка.

Типичные сроки: для каталога до 5000 товаров — 1–2 недели, до 50 000 — 3–4 недели.

Что входит в наш проект?

• Документация пайплайна и API.
• Обучение вашей команды работе с моделью.
• Поддержка 1 месяц после запуска.
• Гарантия стабильного качества — фиксируем метрики и SLA.

Опыт нашей команды — несколько лет в компьютерном зрении и генеративных моделях, более 50 проектов для e-commerce. Мы используем сертифицированные open-source решения и гарантируем воспроизводимость результатов.

Типичные ошибки при внедрении

• Использование одной модели для всех категорий без дообучения — теряется детализация.
• Игнорирование требований маркетплейсов к padding и цветовому профилю.
• Отсутствие A/B-тестирования AI-фото vs студийных — конверсия может упасть, если модель галлюцинирует.

Мы настраиваем метрики для каждого кейса и проводим сравнительный анализ до запуска. Закажите пилот на 100 товаров — убедитесь в качестве и скорости генерации. Свяжитесь с нами для детального аудита вашего каталога. Получите консультацию по интеграции AI-генерации в ваш бизнес.