ה-Packshot הנקי — הבסיס שכל הקטלוג נבנה עליו

מה זה packshot ולמה הוא הבסיס

Packshot היא תמונת מוצר מבודדת על רקע נקי (בדרך כלל לבן טהור או ניטרלי), שמייצגת את המוצר בצורה הנאמנה ביותר למה שהקונה יקבל בפועל. ה-packshot הוא תמונת ה-PDP הראשית — זו שמופיעה בראש דף המוצר, זו שמוצגת בתוצאות החיפוש ב-Amazon וב-Google Shopping, זו שהלקוח רואה לפני שהוא בכלל מתחיל לקרוא את שם המוצר. היא צריכה להיות מדויקת, ברורה, ואמינה.

ה-packshot שונה מתמונת lifestyle (תמונת הקשר) או מתמונת אווירה. הוא לא מספר סיפור, לא מוכר רגש, לא יוצר מצב-רוח. הוא אומר בפשטות: זה המוצר. זה הצבע שלו. זו התווית שלו. זה מה שאתה מקבל. כל תמונה אחרת בקטלוג — זוויות, lifestyle, חיתוכים — נשענת על ה-packshot הזה. אם הוא לא מדויק, כל השאר מתפורר.

המאפיינים של packshot תקני:

• רקע נקי ואחיד. לרוב לבן טהור (#FFFFFF) ל-Amazon, או אפור-בהיר ניטרלי לחנויות Shopify שמעדיפות מראה רך יותר. הרקע הוא "invisible" — הוא לא תופס תשומת-לב מהמוצר.
• תאורה רכה ואחידה. ללא צללים חדים, ללא hot-spots (נקודות-חמות, אזורים בולטים במיוחד של אור שמושכים את העין), ללא השתקפויות פרא. התאורה הקלאסית היא softbox (ריבוע אור רך וגדול) או תאורת שני-מקורות (key + fill) שמדמה סטודיו.
• צבע נאמן למוצר. שפתון אדום נראה אדום, בד כחול נראה כחול, פאונדיישן בגוון 04 נראה כמו 04. סטייה של כמה גוונים יוצרת תלונות "המוצר שקיבלתי שונה מהתמונה" — וזה הסיוט של כל חנות.
• תווית קריאה. הטקסט על האריזה חייב להיות חד, ברור, וניתן לקריאה גם בזום על המוצר. גם אם ה-AI לא יודע לרנדר את הטקסט — התווית המקורית חייבת להיות שם, במקום, ברורה.
• פרופורציות אמיתיות. המוצר לא "מוגדל" או "מוקטן" ביחס למה שהלקוח יקבל. בקבוק של 500 מ"ל נראה כמו 500 מ"ל, לא כמו 250 מ"ל או 1 ליטר.
• זווית אופטימלית. לרוב 3/4 front (חזית מעט מהצד, ב-30°-45°) — זווית שמראה את החזית, הצד, והעומק של המוצר בו-זמנית. יש קטגוריות שבהן הזווית המועדפת שונה (jewelry — לרוב top-down, אופנה — flat-lay), אבל 3/4 היא ברירת-המחדל הבטוחה.

למה ה-packshot הוא הבסיס: ב-Amazon, התמונה הראשית היא ה-packshot. אם הוא לא עומד בדרישות (רקע לבן, 1600px+, נאמן למוצר), ה-listing יושעה. ב-Shopify, ה-packshot הוא התמונה שהלקוח רואה בתוצאות החיפוש וב-Google Shopping — הוא קובע CTR (שיעור הקלקה, אחוז האנשים שילחצו על המוצר מתוך אלה שראו אותו). ברשתות חברתיות, ה-packshot משמש כתמונת הבסיס לחיתוכים. בכל מקום — ה-packshot הוא הקובע. אם הוא נכון, השאר זורם. אם הוא לא — אתם תופסים את עצמכם מתקנים את אותה טעות 200 פעם.

ב-2026, המודלים המובילים מייצרים packshots שלא ניתנים להבחנה מצילום סטודיו עבור רוב קטגוריות המוצר. הרקע, התאורה, ההצללה, ההשתקפויות — הכל ברמה שעומדת בסטנדרט מסחרי. אבל זה נכון רק כשהקלט נכון: reference נקי, רקע מוסר תחילה, תווית מוגנת. בלי זה, המודל ממציא צבעים, מעוות פרופורציות, ומשנה את התווית — והקונה מקבל "משהו אחר".

הנקודה המעשית: אתם לא מתחילים מ-prompt. אתם מתחילים מתמונת טלפון. כל מה שיקרה אחר כך — הסרת רקע, prompt, הגנת תווית, בדיקת Amazon — מוגדר על-ידי התמונה הזו. הקלט קובע את הפלט. זה העיקרון הראשון של packshot-first workflow (זרימת עבודה שמתחילה מ-packshot ונבנית סביבו), וזה מה שהסעיף הבא עוסק בו.

צילום reference נכון בטלפון — הקלט שקובע הכל

"Garbage in, garbage out" — המשפט הזה נכון לכל מערכת AI, והוא נכון במיוחד לצילום-מוצר. תמונת ה-reference (תמונת הייחוס — התמונה המקורית שאתם מזינים למודל כדי שישמר על המוצר) היא הקובעת של הפלט. אם היא מטושטשת, חשוכה, עם רקע עמוס, או בזווית משונה — המודל לא יודע להפוך אותה ל-packshot תקני. הוא יעשה את המיטב עם מה שקיבל, והמיטב יהיה בינוני.

המטרה של צילום ה-reference היא לא "לצלם תמונה יפה". המטרה היא לתעד את המוצר בנאמנות: צבע אמיתי, פרופורציות אמיתיות, תווית קריאה, מרקם נראה לעין. כל פרט שחסר ב-reference ימולא על-ידי המודל — והמודל לא תמיד יודע מה היה שם.

חמשת הכללים של reference נכון

1. מינימום 1024x1024 פיקסלים. זה הסטנדרט שהמודלים עובדים איתו היטב. טלפון ממוצע ב-2026 מצלם ב-12MP-50MP — אין שום סיבה לרדת מתחת ל-1024x1024. העלייה ברזולוציה לא משפרת ישירות את הפלט (המודל עדיין מייצר ב-2K או 4K), אבל היא שומרת על הפרטים הקטנים — טקסט על תווית, מרקם של בד, גימור של מתכת. מתחת ל-1024x1024 המודל מתחיל "לנחש" פרטים.

2. 3-6 זוויות של אותו מוצר. לא מספיקה זווית אחת. המודל צריך לראות את המוצר מכמה צדדים כדי לבנות "הבנה תלת-ממדית". חזית, צד, גב, 3/4, top-down, וזווית low (מלמטה) — 3-6 זוויות מספיקות. Sweet spot (נקודת האיזון האופטימלית) הוא 4-5 — מתחת לזה המודל לא מקבל מספיק מידע, מעל ל-6 הוא מתחיל "לערבב" בין זוויות ויוצר זוויות פנטזיה שלא קיימות.

3. תאורה אחידה. הבדל התאורה הגדול ביותר בין reference טוב ל-reference גרוע הוא הצל. צל חד בצד אחד של המוצר יוצר במודל רושם שזה "הצד החשוך" של המוצר, והוא ישמר עליו גם ב-packshot. הפתרון: לצלם ליד חלון גדול ביום מעונן (אור רך, מפוזר, אחיד) או להשתמש בשני מקורות אור (מנורת שולחן משני הצדדים) שמאזנים אחד את השני.

4. רקע פשוט ואחיד. לא חובה לבן, אבל חובה פשוט. קיר לבן, מפה אפורה, נייר בצבע אחיד — משהו שלא מתחרה במוצר. הסיבה: המודל יסיר את הרקע בכל מקרה (בסעיף הבא), אבל אם הרקע עמוס (הרבה פרטים, דפוסים, צבעים נוגדים) — הוא עלול "לדגום" צבעים מהרקע ולהחדיר אותם למוצר. רקע פשוט = הפרדה נקייה יותר.

5. צבעי-אמת. זה החלק הקשה ביותר. טלפונים אוהבים "לתקן" צבעים — להפוך לבן לכחלחל, להוסיף וורמיות לעור, לחמם גוונים. התוצאה: תמונה "יפה" אבל לא נאמנה. הפתרון: לכבות כל "AI scene optimizer" או "Auto enhance" במצלמה. לצלם בפורמט RAW (פורמט גולמי ללא עיבוד) אם אפשר (לא כל טלפון תומך, אבל רוב הדגמים מ-2024 ואילך כן). לכלול בתמונה כרטיס צבע (color card, כרטיס פלסטיק עם דוגמאות צבע ידועות) או לפחות חפץ עם צבע ידוע (פיסת נייר לבן, אריזה מקורית) — כדי שתוכלו לבדוק את הנאמנות ב-QA אחר כך.

סט-אפ ב-10 דקות בלי ציוד מקצועי

לא צריך softbox (ריבוע תאורה מקצועי) ולא שולחן צילום. צריך חלון גדול, נייר לבן, וסרגל או קופסה:

1. החלון: שימו את המוצר על שולחן ליד חלון גדול, במרחק 1-1.5 מטר. יום מעונן = אור רך; יום שמש = אור חזק מדי, תלו סדין לבן דק על החלון כדי לפזר.
2. הרקע: הניחו נייר לבן גדול (A2 לפחות, או נייר עטיפה מגולגל) כך שהוא עולה מהשולחן אל הקיר — זה יוצר רקע seamless (חלק, ללא קו תפר) בלי "זווית רקע" גלויה.
3. המוצר: הניחו את המוצר במרכז, הפונה אליכם בזווית 3/4. אם יש לוגו או תווית — וודאו שהוא פונה קדימה וקריא.
4. הטלפון: קבעו את הטלפון על חצובה או ערימת ספרים, בגובה המוצר. לא יד חופשית — הרעידות הורסות את הפרטים. הפעילו timer של 3 שניות.
5. הצילום: צלמו 4-5 זוויות — חזית, 3/4 ימין, 3/4 שמאל, צד, ו-back. חזרו על הסבב פעמיים כדי לבחור את החדה ביותר מכל זווית.

טעות נפוצה: לצלם reference בתאורת פלאש ישירה מהטלפון. הפלאש יוצר hot-spot (נקודה בולטת של אור) על המוצר, צל חד מאחוריו, וצבע סותר. תמיד לכבות פלאש. האור מהחלון עדיף פי-כמה גם על צילום רגיל, ובטח על צילום מוצר.

הסרת רקע תחילה — cutout נקי מגן על המוצר

Cutout (חיתוך) הוא תמונה של המוצר ללא רקע — המוצר "חתוך" מהרקע שלו, בדרך כלל על רקע שקוף (PNG) או לבן. זה הצעד השני אחרי הצילום, וזה צעד שאסור לדלג עליו — גם אם אתם מתכננים לבקש מהמודל "white background" ב-prompt.

למה זה קריטי: כשהמודל מקבל תמונה עם רקע, הוא צריך להבין איפה המוצר מסתיים והרקע מתחיל. ברוב המקרים הוא עושה את זה טוב, אבל לא תמיד. הוא עלול "לדגום" צבעים מהרקע ולהחדיר אותם למוצר (קיר צהוב = גוון צהבהב על בקבוק לבן), להמציא קצוות רכים שלא היו (מוצר עם הילה זוהרת מסביב), או ליצור "מסגרת" של צל מהרקע שנדבקת למוצר. Cutout נקי פותר את כל הבעיות האלה בבת אחת — אתם נותנים למודל את המוצר בלבד, והוא לא צריך לנחש.

הכלים המומלצים להסרת רקע ב-2026

Photoroom (חינם + תשלום): הסטנדרט לחנויות e-commerce. האפליקציה מזהה את המוצר אוטומטית, מסירה את הרקע, ומאפשרת להחליף אותו ברקע בהיר, צבע אחיד, או רקע שקוף. ה-free tier (שכבת חינם) נותן 1 HD export (ייצוא באיכות גבוהה) ליום — מספיק לבדיקות, לא לקטלוג. תוכניות בתשלום נותנות batch processing (עיבוד מרובה בריצה אחת) ו-API.

Pippit AI (עברית): יש לו ממשק בעברית ופיצ'רים שמותאמים למוכרים ישראלים. הסרת רקע בלחיצה אחת, תבניות packshot מוכנות, ויכולת להוסיף רקעים שונים. מתאים למי שמעדיף UI בעברית ולא רוצה להתעסק עם הגדרות באנגלית.

Emilia AI Studio (עברית): 6 קטגוריות מוצר מובנות (jewelry, apparel, food & drink, furniture, cosmetics, ועוד), עם תבניות packshot שמותאמות לכל קטגוריה. טוב במיוחד למי שמוכר בתחום שיש לו קטגוריה ייעודית ב-Emilia.

Claid.ai: כלי מקצועי יותר, עם API מלא. מתאים לעבודה ב-batch (פרק 5) ולמי שצריך 4K upscaling (שדרוג רזולוציה). לשימוש בודד — overkill.

Adobe Firefly (עברית — il_he): חלק מהחבילה של Adobe. הסרת רקע באיכות גבוהה, וגם יכולת להחליף רקעות וליצור וריאציות. מתאים למי שכבר משלם ל-Adobe.

המלצה מעשית: למתחילים — Photoroom או Pippit (שניהם עושים את העבודה תוך 5 שניות). למי שרוצה שליטה מלאה — Claid. לעבודה ב-batch — Claid API (נדבר על זה בפרק 5).

איך הסרת רקע עובדת — ולמה לפעמים היא נכשלת

הכלים האלה משתמשים במודלים של segmentation (פילוח, חלוקה לאזורים — במקרה הזה: מוצר מול רקע). הם מאומנים על מיליוני תמונות של מוצרים, ולרוב עובדים מצוין. אבל הם נכשלים ב-3 מקרים קלאסיים שכדאי להכיר מראש:

1. מוצרים שקופים או מבריקים מאוד (זכוכית, פלסטיק שקוף, תכשיטים). המודל לא תמיד מבחין בין המוצר להשתקפות שלו. פתרון: להחליף רקע לאחיד לפני הצילום (נייר אפור, לא לבן), או לתקן ידנית את ה-cutout.
2. שיער, פרווה, או קצוות "אווריריים". סריגים, מברשות איפור, צעיף. המודל יוצר קצוות מטושטשים או חותך יותר מדי. פתרון: לבחור "refine edge" או "manual touch" בתוכנה.
3. מוצר עם חללים פנימיים (כיסא, מסגרת). המודל מסיר גם את החללים. פתרון: לסמן "preserve transparency" או לבדוק את ה-cutout בלבן לפני שמירה.

בדיקת תקינות אחרי הסרה: פתחו את ה-cutout על רקע כהה. אם אתם רואים "הילה" לבנה-אפורה סביב המוצר, או פיסות רקע שנשארו — תקנו לפני שאתם ממשיכים. Cutout מלוכלך = packshot מלוכלך. זה הצעד שאתם לא רוצים לעשות שוב בפרק 6 כשתגלו שכל ה-200 המוצרים שלכם צריכים touch-up.

המוצר כ-reference קבוע, לא "השראה" למודל

זה העיקרון השני של packshot-first, והוא ההבדל בין מי שמצליח לבין מי שמקבל "מוצר אחר": המוצר שלכם הוא reference קבוע, לא השראה. המודל לא אמור "לדמיין" מוצר דומה — הוא אמור לשמר את המוצר הספציפי שהזנתם לו.

יש הבדל מהותי בין שתי גישות:

גישה א — "תיאור מילולי": "A skincare bottle, white, 100ml, with a gold cap, label says 'Glow Serum'". המודל מקבל prompt טקסטואלי בלבד, ועל בסיס המילים הוא מייצר תמונה של "מוצר דומה". הבעיה: הוא ימציא בקבוק לבן עם כובע זהב, אבל עם פרופורציות שונות, צבע לבן-מעט-אחר, ותווית שנראית כמו "Glow Serum" אבל לא באמת אומרת את זה. זה המקרה שבו "המודל צייר מחדש את המוצר".

גישה ב — "reference image": "Here's a photo of my exact product. Generate a clean packshot of this product on a white background." המודל מקבל את התמונה המקורית של המוצר (אחרי הסרת רקע), ועל בסיס הפיקסלים שלה הוא בונה packshot חדש. זה המקרה שבו המוצר נשאר אותו מוצר.

ההבדל בתוצאה הוא דרמטי. גישה א' = תמונה יפה של "מוצר דומה". גישה ב' = תמונה של המוצר שלכם. ל-e-commerce, רק גישה ב' רלוונטית.

איך המודל שומר על המוצר — multi-reference (ריבוי תמונות ייחוס)

בפרק 2 דיברנו על היכולת של המודלים לקבל מספר reference images. Nano Banana Pro ו-Nano Banana 2 תומכים בעד 14 reference images לכל workflow (תהליך יצירה אחד), ו-Seedream תומך בעד 10. המספר הזה לא מקרי — הוא הנקודה שבה המודל מסוגל לשמר עקביות על פני אובייקטים שונים (5 דמויות + 14 אובייקטים במקרה של Nano Banana Pro).

ל-packshot, אתם לא צריכים 14. אתם צריכים 3-6. מתחת ל-3 — המודל לא מקבל מספיק מידע על המוצר (במיוחד אם יש לו back, label, cap — דברים שנראים אחרת מכל צד). מעל ל-6 — המודל מתחיל "למצוא את הממוצע" בין הזוויות, ומייצר גרסה שהיא לא בדיוק אף אחת מהן. Sweet spot: 4-5 זוויות של cutout נקי, וזה מה שיצרתם בסעיפים הקודמים.

למה המודל "מצייר מחדש" לפעמים גם עם reference: כי הוא לא מבין "זה המוצר, תשמור עליו" באותה צורה שבן-אדם מבין. הוא רואה פיקסלים, מזהה patterns (דפוסים חוזרים), ובונה תמונה חדשה שמתאימה לפיקסלים. אם ה-reference לא חד מספיק, או שיש בו אלמנטים מבלבלים (השתקפות, הצללה חזקה, רקע שלא הוסר), הוא יפרש את זה בצורה שגויה. המשמעות: ככל שה-reference שלכם נקי יותר, ה-packshot יהיה נאמן יותר. זו הסיבה שהשקענו סעיף שלם בצילום ובהסרת רקע.

נוסחת ה-prompt ל-packshot — softbox, 5600K, seamless

ה-prompt ל-packshot הוא אחד הנושאים המבלבלים ביותר למתחילים. יש אנשים שכותבים "make it look professional" ומצפים לקסם. יש כאלה שמשקיעים 200 מילים בתיאור המוצר. שתי הגישות לא עובדות. ה-prompt הנכון ל-packshot הוא קצר, טכני, ומתמקד בתאורה וברקע — לא במוצר (את המוצר המודל רואה ב-reference).

הנוסחה הקנונית ל-packshot

הנוסחה שעובדת בכל ארבעת המנועים (Pro, 2, Seedream, GPT Image 2) מבוססת על 6 רכיבים. את כולם צריך — חלק אחד חסר = התוצאה נוטה לכיוון לא-רצוי.

1. [סוג מוצר] + זווית — "skincare bottle at 3/4 angle", "sneaker at eye-level", "ceramic mug from front-3/4". זווית 3/4 היא ברירת-המחדל הבטוחה.
2. [תאורה] — softbox / three-point — "soft diffused softbox lighting", "three-point studio lighting with soft key light from upper left". שפת תאורת סטודיו מכוונת את המודל לריאליזם.
3. [טמפרטורת צבע] — 5600K — "5600K daylight balanced" או "neutral white balance". זה אומר למודל "לא חם, לא קר, לבן ניטרלי" — בלי גוון צהבהב או כחלחל.
4. [רקע] — seamless white — "pure white seamless background", "isolated on #FFFFFF background", "white cyclorama (רקע שמתמזג עם הרצפה ללא קו תפר, סטנדרט בסטודיו)". "seamless" (חלק, ללא קו תפר) הוא המילה החשובה.
5. [gradient עדין] — "subtle top-to-bottom gradient" או "soft falloff from top to bottom". זה מונע רקע "שטוח" שנראה דיגיטלי, ונותן תחושת עומק.
6. [סגנון] — e-commerce catalog style, no text — "professional e-commerce product photo, photorealistic, no text overlay, no logos added, no decorations". החלק האחרון קריטי — בלי "no text overlay" המודל עלול להוסיף טקסט משלו.

דוגמה מלאה לבקבוק סרום:

"A skincare serum bottle, 3/4 angle from the front, soft diffused softbox lighting from upper left, three-point studio setup, 5600K daylight balanced, isolated on pure white seamless background, subtle top-to-bottom gradient, professional e-commerce product photo, photorealistic, no text overlay, no logos added."

זה ה-prompt. הוא עובד ב-Nano Banana Pro, ב-Nano Banana 2, ב-Seedream 4.5, וב-GPT Image 2 — כי הוא מבוסס על שפת צילום סטנדרטית, לא על טריקים ספציפיים למנוע.

מה לא לכתוב — טעויות prompt נפוצות

"Make it look professional." זה אומר למודל "תעשה טוב" — אין לו מושג מה זה "טוב" עבורכם. הוא יבחר פרשנות אקראית. תחת זאת: תארו את התאורה, הרקע, הזווית. "Professional" הוא תוצר של פרמטרים ספציפיים, לא תכונה קסומה.

"Bottle with a white label that says 'Glow Serum'". המודל ינסה — אבל גם Nano Banana Pro, שמוביל ברינדור טקסט עם שגיאה של <10% בשורה אחת, לא מייצר את ההעתק שלכם בדיוק. הוא ייצור "Glow Serum" עם גופן אחר, או עם אות שגויה, או בגרשיים שלא תכננתם. תחת זאת: הסתמכו על התווית המקורית מה-reference. המודל רואה אותה, והוא ישמר עליה. על אריזה עם טקסט עברית — זה קריטי, ונדבר על זה בסעיף 8.

"On a beautiful marble table with soft flowers in the background." זה לא packshot — זה lifestyle. שני דברים שונים לחלוטין. אם אתם רוצים lifestyle, תכתבו prompt נפרד על רקע סצנה. תחת זאת: packshot = מוצר בלבד, רקע ניטרלי. lifestyle = מוצר בהקשר. לא מערבבים.

"Make the bottle taller / more elegant / with a fancier cap." זה בקשה לשנות את המוצר. אל תעשו את זה. המוצר הוא המוצר. אתם רוצים packshot של המוצר הזה, לא של גרסה אידיאלית שלו.

וריאציות על הנוסחה — לפי קטגוריה

הנוסחה הבסיסית זהה לכל המוצרים, אבל יש ניואנסים לפי קטגוריה:

• תכשיטים (jewelry): הוסיפו "macro photography" ו-"extreme detail" — המודל נוטה להחליק פרטים. רקע לבן עובד, אבל רבים מעדיפים רקע אפור-בהיר (#F5F5F5) כדי להדגיש ניגודיות.
• אופנה (apparel): "flat-lay (סידור שטוח של הפריט על משטח) on white surface" או "hanger shot on seamless white" — תלוי בסגנון החנות. המודל מבין "flat-lay" מצוין.
• מזון ומשקאות (food & drink): הוסיפו "condensation droplets" (טיפות עיבוי) עבור משקאות קרים, "steam" (אדים) עבור משקאות חמים. זה מוסיף "טריות" שמוכרת מזון.
• קוסמטיקה (cosmetics): "matte finish" או "glossy finish" בהתאם למוצר. "Reflective surface" עבור לקים, "soft matte" עבור פאונדיישן.
• רהיטים (furniture): "on a white seamless studio floor" — זווית נמוכה יותר, מרחק גדול יותר. המודל נוטה "להרים" רהיטים מהרצפה, אז ציינו "grounded on floor".

המלצה מעשית: ב-Google Doc של הפרויקט, צרו סעיף בשם "Prompt Templates — per Category". לכל קטגוריה בחנות שלכם, רשמו את ה-prompt הקפוא (frozen template, תבנית שלא משתנה) — עם הנוסחה הבסיסית + הניואנס לקטגוריה. זה ה-prompt שישמש לכל מוצר בקטגוריה הזו, היום ובעוד שנה. קיבעון הוא הסוד לעקביות — אותו prompt לכל SKU = אותו "look" בכל הקטלוג.

שפת תאורת סטודיו — three-point ו-softbox

בצילום סטודיו מקצועי, תאורה היא לא "אור שמאיר את המוצר" — היא שפה שמגדירה איך המוצר נראה, מה הוא מעביר, ולמי הוא מדבר. תאורה שטוחה = קטלוג תעשייתי. תאורה רכה = תחושת פרמיום. תאורה עם rim light (אור מתאר מאחור שמפריד את המוצר מהרקע) = מוצר ש"מרחף". כל אחת מהאלה מתאימה למוצר אחר.

ל-packshot של רוב קטגוריות ה-e-commerce, השפה הנכונה היא softbox (תאורת ריבוע רך) + three-point (תאורת שלושה מקורות). זו השפה שמייצרת את ה"מראה הניטרלי-פרמיום" שרוב החנויות רוצות. בואו נפרק אותה.

תאורת three-point — שלושה מקורות אור

שלושת המקורות הם key light (אור ראשי, מקור התאורה החזק ביותר שמגדיר את הצללים), fill light (אור מילוי, מקור משני רך שממלא את הצללים שיצר ה-key), ו-rim light (אור מתאר, מקור מאחור שיוצר קו אור דק סביב המוצר ומפריד אותו מהרקע). כל אחד מהם עושה עבודה אחרת, וביחד הם יוצרים תמונה שנראית תלת-ממדית ולא שטוחה.

במונחי prompt:

• "Soft diffused key light from upper left at 45°" — ה-key מצד שמאל-למעלה, בזווית 45°. זו הבחירה הקלאסית, שמדגישה את החלק העליון-שמאלי של המוצר ויוצרת צל עדין בצד השני.
• "Gentle fill light from right at lower intensity" — fill מצד ימין, חלש יותר (בערך 1/3 עד 1/2 מה-key). תפקידו: להאיר את הצללים מבלי לבטל אותם.
• "Subtle rim light from behind to separate subject from background" — rim מאחור, חלש, רק מספיק כדי ליצור "הילה" דקה סביב המוצר. זה מה שגורם למוצר להיראות "מורם" מהרקע.

בצילום טלפון: אין לכם three-point אמיתי. הקרוב שאפשר: חלון = key (אור חזק מצד אחד), מנורת שולחן = fill (אור חלש מצד שני), רדיד אלומיניום = rim (מקפלים רדיד ומניחים מאחורי המוצר כדי להחזיר אור סביב הקצוות). זה לא מושלם, אבל זה מספיק טוב ל-reference.

softbox — ריבוע אור רך

softbox הוא קופסת בד שמפזרת אור — היא הופכת מקור אור קטן (מנורה, חלון קטן) למקור אור גדול ורך. במקום צללים חדים עם קצוות ברורים, מקבלים צללים רכים עם מעבר הדרגתי. בצילום מוצר, softbox הוא הסטנדרט — בלי softbox, תקבלו hot-spots וצללים שנראים לא-מקצועיים.

ב-prompt, "softbox" עובד כמילת קסם. המודלים מבינים שזה אומר "תאורה רכה ומפוזרת". אתם לא צריכים להסביר; המילה עצמה מספיקה. וריאציות:

• "Soft diffused softbox lighting" — ברירת-מחדל לרוב המוצרים.
• "Large overhead softbox" — מתאים ל-flat-lay ולמוצרים שטוחים.
• "Softbox from left + subtle reflector from right" — תאורה קלאסית של תכשיטים.

5600K — טמפרטורת אור ניטרלית

5600K היא טמפרטורת הצבע של אור יום (daylight) מאוזן. היא לא חמה מדי (2700K-3000K = אור נרות, וורמי), לא קרה מדי (6500K+ = אור קר, כחלחל). ב-prompt, "5600K" או "daylight balanced" אומר למודל: אל תיצור גוון צהבהב או כחלחל. זה קריטי למוצרים שבהם הצבע הוא המכירה — קוסמטיקה, טקסטיל, צבעי בית.

מתי לסטות מ-5600K: כמעט אף פעם ל-packshot. גוון חם יוצר רושם של מוצר "ביתי" או "אורגני", וגוון קר יוצר רושם של "קליני" או "תעשייתי". אם אתם רוצים את התחושות האלה — זה כבר lifestyle, לא packshot. ל-packshot: תמיד 5600K.

הגנת התווית — composite מול background-only

התווית (או הלוגו) על אריזת המוצר היא הנכס המסחרי החשוב ביותר של החנות. היא המותג, היא ההבטחה, היא הסיבה שהלקוח בוחר בכם על פני מתחרים. והיא הדבר הראשון שהמודל הולך להרוס אם לא תגנו עליה.

למה? כי המודל לא רואה "תווית" — הוא רואה patterns (דפוסים חוזרים). הוא רואה צורה מלבנית עם צבעים וצורות, ומנסה "לשחזר" אותה. התוצאה: תווית שנראית כמו התווית שלכם, אבל עם אותיות שגויות, גופן אחר, ולפעמים צבעים שונים. לפעמים הוא מחליף מילים שלמות ("Glow Serum" → "Glw Serm"), לפעמים משנה את הלוגו, לפעמים פשוט מוחק חלק מהתווית ומחליף אותה במשהו "סביר-למראה".

ב-2026, גם Nano Banana Pro — שמוביל ברינדור טקסט עם שגיאה של פחות מ-10% בשורה אחת — עדיין לא מייצר את ההעתק שלכם בדיוק. הוא מייצר משהו דומה. בעברית, הסיכון גדול עוד יותר — סדר אותיות, כיוון RTL, וגופנים עבריים פחות נפוצים בדאטה של המודלים.

יש שתי אסטרטגיות להתמודד עם זה. בואו נעבור עליהן.

אסטרטגיה א — composite: הרכבת התווית האמיתית בחזרה

Composite (הרכבה) היא טכניקה שבה אתם לוקחים את ה-packshot שיצר המודל (עם הרקע החדש), ומרכיבים עליו את התווית המקורית מה-reference. זה נעשה ב-Photoroom, ב-Canva, ב-Photoshop, או אפילו ב-Pippit. התהליך:

1. ייצרו packshot "blank" (ריק): ב-prompt, בקשו "white background, no text, no logos, generic bottle shape" — וודאו שאין טקסט על המוצר.
2. חתכו את התווית מה-reference המקורית: פתחו את ה-reference המקורי, השתמשו ב-rectangle select (בחירה מלבנית) או ב-pen tool (כלי עט דיגיטלי) כדי לחתוך את התווית כתמונה נפרדת.
3. הרכיבו את התווית על ה-packshot: ב-Photoroom/Canva/Photoshop, שימו את ה-packshot הריק כשכבה תחתונה, ואת חתיכת התווית כשכבה עליונה. מקמו, סובבו, ושנו גודל עד שהיא תואמת בדיוק.
4. התאימו תאורה: אם ה-packshot החדש יותר מואר/כהה מהתווית המקורית, הוסיפו שכבת curves (שכבת עקומות) או brightness/contrast (בהירות/ניגודיות) על התווית כדי להתאים.

יתרון: התווית מדויקת 100%, כי זו התווית המקורית. אין שום סיכון לטעות בטקסט.

חיסרון: זה דורש עבודה ידנית — 1-2 דקות לכל מוצר. בקנה-מידה של 200 SKU, זה 5-7 שעות. אפשר לבצע batch ב-Photoshop (Actions) או ב-Python (Pillow), אבל זה כבר batch engineering — נדבר על זה בפרק 5.

אסטרטגיה ב — background-only: שמירה על ה-packshot המקורי

גישה שנייה, פשוטה יותר: לא לבקש מהמודל לגעת בתווית. במקום זאת, לבקש ממנו רק להחליף את הרקע — ולשמר את התווית, המוצר, וכל מה שעליו.

זה עובד בשתי דרכים:

• prompt ממוקד: "Replace the background of this product photo with a clean white seamless background. Keep the product, label, and all text exactly as they are. Do not modify the product in any way." — זהו prompt של "background replacement" (החלפת רקע), לא "packshot generation". המודל מקבל הנחיה לא לגעת במוצר.
• שימוש בערוץ נפרד: כלים כמו Photoroom ו-Claid מציעים "background replacement" כפיצ'ר נפרד, שעובד על התמונה המקורית בלי להפעיל את מודל ה-AI. התוצאה: המוצר נשאר פיקסל-לפיקסל כמו שהוא, רק הרקע מוחלף.

יתרון: אפס עבודה ידנית. מהיר. מדויק.

חיסרון: ה-packshot נראה קצת "שטוח" יותר, כי הוא הצילום המקורי שלכם (עם התאורה של החלון) — לא ה-packshot המעובד שהמודל היה מייצר. זה עדיין תקני, אבל פחות "פרמיום".

מתי לבחור מה — מסגרת החלטה

המלצה סופית לרוב החנויות: composite. העבודה הידנית שווה את הביטחון. בפרק 5 נלמד איך לעשות את זה ב-batch עם 1-2 דקות למוצר.

in-image text כסיכון — למה גם המודלים הכי טובים מעוותים

in-image text (טקסט בתוך תמונה) הוא אחד האתגרים הגדולים של מודלי תמונה, והוא המקום שבו הציפיות נשברות מהר מאוד. גם המודל המוביל ב-2026 — Nano Banana Pro, עם שיעור שגיאה מתחת ל-10% בשורת טקסט אחת — לא מייצר טקסט מדויק. הוא מייצר טקסט שנראה סביר. זה לא אותו דבר.

הסיבה הטכנית: מודלי תמונה הם generative models (מודלים גנרטיביים, כאלה שיוצרים תוכן חדש) — הם לא רואים "אותיות" כמו שאנחנו רואים. הם רואים patterns ויזואליים, ומנסים לייצר תבנית שנראית כמו טקסט. עבור אנגלית פשוטה ("SALE", "NEW"), הרוב המוחלט של הדאטה שלהם מכיל את הדפוסים האלה — ולכן הם מצליחים בסבירות גבוהה. עבור טקסט ארוך, טקסט עם מספרים ספציפיים (קוד מוצר, תאריך תפוגה), או טקסט בשפה לא-נפוצה — הם נכשלים.

ארבעת המקרים הקלאסיים של כישלון

1. טקסט ארוך (יותר מ-3-4 מילים): שגיאת התווים עולה אקספוננציאלית. "Vitamin C" = 95% דיוק. "Vitamin C 1000mg Orange Flavor" = 30% דיוק. כלל אצבע: אל תסמכו על המודל לטקסט ארוך.
2. מספרים וקודים: "500ml", "EXP 12/2027", "SKU-12345". המודל לא "מבין" מספרים — הוא רואה צורות. "500ml" עלול להפוך ל-"50Oml" (אות O במקום 0), "BOOml" (אות B במקום 5), או "300ml".
3. עברית ו-RTL: הרוב המוחלט של הדאטה של מודלי תמונה הוא באנגלית, ועברית היא minority (מיעוט). המודל מכיר אותיות עבריות בודדות, אבל לא יודע לבנות מילים שלמות, ובטח לא יודע לסדר אותן ב-RTL נכון. "שמפו לשיער יבש" עלול להפוך לשילוב של אותיות עבריות ולטיניות, או למילה שלא קיימת.
4. גופנים מותאמים: אם המותג שלכם משתמש בגופן מותאם (custom font), המודל לא יודע אותו. הוא ייצור "משהו שנראה כמו גופן" — בדרך כלל Arial או Helvetica, גם אם הגופן האמיתי הוא Frank Ruhl Libre או גופן שיצרתם ב-Canva.

מה עושים במקום

הפתרון המעשי: לא לבקש מהמודל לייצר טקסט. זה אומר:

• composite (הרכבה): התווית המקורית נשמרת, ה-AI מייצר רק את הרקע והתאורה. ראינו את זה בסעיף הקודם.
• background-only: שמירה על ה-packshot המקורי לחלוטין, החלפת רקע בלבד.
• text-free prompt: תמיד להוסיף "no text overlay, no logos added" — גם אם ה-reference כולל תווית. זה מונע מהמודל לנסות "לעזור" ולייצר טקסט משלו.

מקרה קצה — מתי אפשר לסמוך על המודל: רק על טקסט אנגלי קצר, פשוט, ובגופן סטנדרטי. "Glow Serum" — כן. "Glow Serum 30ml — For Sensitive Skin" — לא. גם כשזה עובד, תמיד לעשות QA: להגדיל את התמונה ל-200% ולבדוק אות-אות. אות אחת שגויה = מוצר לא-נאמן, ועלול להיות Misleading Content (תוכן מטעה, אחת מעילות Amazon להשעיית listing).

color accuracy drift — גוון שפתון, בד ופאונדיישן זזים

color accuracy drift (סחיפת דיוק צבע) הוא המקום שבו המודל מייצר תמונה עם צבע שנראה כמו הצבע של המוצר, אבל לא. הוא רואה "שפתון אדום" ומייצר שפתון אדום — אבל האדום שלו הוא אדום-ורוד, או אדום-כתום, או אדום עמוק מדי. לעין לא-מקצועית, זה נראה "אדום". לעין של הקונה שקיבל את השפתון בפועל, זה "לא מה שהזמנתי".

התופעה הזו קריטית במיוחד בקטגוריות הבאות:

• קוסמטיקה: גווני foundation (foundation shade drift, סחיפת גוון בסיס), גווני lip color, גווני צלליות. סטייה של 5% ב-LCH (מודל צבע: Lightness-Chroma-Hue, בהירות-רוויה-גוון) יוצרת תלונות "הגוון לא מתאים לי".
• אופנה: צבעי בד, במיוחד פסטלים (גוונים עדינים) וגוונים עזים. "אדום" יכול להיות אדום-בורגונדי, אדום-ורוד, אדום-כתום, או אדום-עז. הלקוחה רוצה את האדום הספציפי שראתה.
• צבעי בית: צבע קיר, רהיטים, טקסטיל לבית. "אפור-בהיר" הוא ספקטרום רחב של גוונים.
• מוצרי מזון: צבע המזון מושפע מתאורה ומעיבוד, והמודל נוטה "לשפר" צבעים (להפוך ירקות לירוקים-יותר, פירות לאדומים-יותר).

הגורמים ל-drift

1. ה-reference עצמו לא נאמן. אם צילמתם בטלפון עם "Auto enhance", הצבעים כבר הוסטו לפני שהזנתם. המודל מקבל צבע לא-נכון ומייצר צבע לא-נכון.

2. המודל "משפר" צבעים. המודלים אומנו על תמונות "יפות", ולעיתים קרובות "יפה" = "רווי יותר" (saturated). גוון פאודיישן 04 עלול להפוך לגוון 03 רווי-יותר.

3. הרקע משפיע על הצבע. גם אחרי הסרת רקע, המודל רואה "edges" (קצוות) של המוצר שעלולים "לקבל" גוון מהרקע החדש (הלבן עצמו יכול להפוך בקבוק לבן ל"לבן-עם-הילה-אפורה").

הפתרון — 3 צעדים

1. כרטיס צבע בכל צילום. קנו color checker (כרטיס בדיקת צבע) — נמכר ב-30-80 ש"ח באמזון, ומכיל 24 דוגמאות צבע ידועות. שימו אותו ליד המוצר בכל צילום reference. אחרי ה-packshot, פתחו את התמונה ב-Capture One / Lightroom / כל עורך תמונה, ובדקו: האם הצבעים בכרטיס תואמים את המציאות? אם לא — תקנו white balance (איזון לבן, התאמת גוון הלבן בתמונה) לפני ההזנה.

2. QA מול המוצר האמיתי. אחרי שיש לכם packshot, הדפיסו אותו (או הציגו על מסך קליברציה מכויל) והשוו side-by-side (זה-לצד-זה) מול המוצר הפיזי. השאלה: האם זה אותו צבע? תאורה אחידה (אור יום טבעי) חיונית להשוואה.

3. עבור גוונים קריטיים — composite. אם הצבע קריטי (foundation, fabric), שקלו composite של התמונה המקורית: החליפו רקע, אבל שמרו על המוצר המקורי pixel-by-pixel. זה מבטיח 100% דיוק צבע.

הנקודה הישראלית: חנויות ישראליות מוכרות לעיתים לשני שווקים במקביל — שוק מקומי שמצפה לגוונים מסוימים, ושוק Amazon/אירופי שמצפה לאחרים. אם ה-packshot נראה "ורוד מדי" לשוק הישראלי, הוא עלול להיראות "ורוד מדי" גם לשוק האמריקאי — ולהחזיר לקוחות בשני הצדדים. כלל אצבע: לשמור על צבע ניטרלי-נאמן (לא רווי-יתר, לא מוחלש-יתר), גם אם זה אומר תמונה "פחות דרמטית". הקונה יעדיף צבע נכון על פני צבע יפה.

דרישת Amazon לתמונה ראשית — הכללים שאי-אפשר לעקוף

Amazon הוא השוק המחמיר ביותר לתמונות מוצר. אם אתם מוכרים ב-Amazon, התמונה הראשית (main image) שלכם חייבת לעמוד בדרישות ספציפיות, ואי-עמידה בהן תגרור השעיית listing (הסרת דף המוצר מהאתר עד שיתוקן). זה אומר אובדן מכירות יומי, ולפעמים אזהרה רשמית על החשבון. לכן, לפני שאתם מעלים packshot ל-Amazon, ודאו שהוא עומד בכל הדרישות.

הדרישות הרשמיות של Amazon (2026)

1. רקע לבן טהור (#FFFFFF). לא אפור, לא קרם, לא כחלחל. רק #FFFFFF (255, 255, 255). גוון של אפור-בהיר (למשל #FAFAFA) נחשב לרקע לא-תקני. בדיקה: פתחו את ה-packshot בעורך תמונה, בחרו את הפיקסל בפינה הימנית-עליונה, ובדקו שהצבע הוא בדיוק #FFFFFF.

2. המוצר תופס 85%+ מהפריים. המוצר צריך למלא לפחות 85% מהתמונה, עם שוליים סימטריים (אם כי לא חובה — Amazon מקבל גם מוצר עם שוליים לא-סימטריים, אבל זה נראה לא-מקצועי).

3. לפחות 1600 פיקסלים בצד הארוך. זו דרישת הזום. תמונה של 1000px נראית טוב בחיפוש, אבל כשהקונה מתחיל להגדיל — היא נהיית מטושטשת. 1600px מבטיח זום נקי. 2K (2048px) הוא הסטנדרט המקובל; 4K (4096px) עודף ויקר ל-packshot.

4. נאמנות מוחלטת למוצר שנשלח. התמונה חייבת לייצג בדיוק את המוצר שהקונה יקבל. אם המוצר שלכם כחול, התמונה כחולה. אם יש לוגו, הלוגו נראה. אם האריזה אומרת "500ml", זה 500ml. אסור: צבע שונה, גודל שונה, תווית שונה, או כל אלמנט שלא קיים במוצר הפיזי. על זה Amazon מפעיל את המדיניות של "Misleading Content" (תוכן מטעה) — והיא הסיבה השנייה בשכיחותה להשעיות listing.

5. אין טקסט נוסף, גרפיקה, או תוספות. ה-packshot של Amazon הוא רק המוצר. אין מחיר, אין הנחה, אין לוגו של החנות, אין תאריך מבצע, אין border. הכל נמצא בתמונות המשניות (secondary images), לא בתמונה הראשית.

6. אין watermarks (סימני מים). לא לוגו שקוף, לא כיתוב קופי-רייט. הערה חשובה: SynthID (סימן-מים בלתי-נראה שגוגל מטמיעה בכל תמונה שנוצרה במנועים שלה — סימן דיגיטלי סמוי שמאפשר לזהות תמונת AI) הוא סימן מים בלתי-נראה, וזה לגיטימי. הוא רק סימן שמאפשר ל-Google לזהות תמונת AI — לא נראה לעין, לא משפיע על התמונה. אסור להסיר אותו (EU AI Act — חוק ה-AI של האיחוד האירופי, אוסר על הסרת סימני-מים של זיהוי AI).

בדיקת packshot לפני העלאה — checklist מקוצר

לפני שאתם מעלים ל-Amazon, עברו על הרשימה הבאה:

• ✓ רקע #FFFFFF (255, 255, 255) — בדקו בפינה
• ✓ מוצר תופס 85%+ מהפריים
• ✓ רזולוציה 1600px+ בצד הארוך
• ✓ צבע תואם את המוצר הפיזי (side-by-side)
• ✓ תווית קריאה ונכונה
• ✓ אין טקסט/לוגו/גרפיקה נוספים
• ✓ אין watermarks גלויים (SynthID מותר)
• ✓ פורמט TIFF, PNG, או JPEG (Amazon מקבל את כולם; PNG נותן איכות מקסימלית)

אם עניתם "לא" על אחד מהסעיפים — תקנו לפני העלאה. Amazon לא יחזיר לכם הודעה "חסר 50px", הוא פשוט ישעה את ה-listing. עדיף לבדוק עכשיו.

המלצה מעשית: אחרי שיש לכם packshot תקני, העתיקו אותו לתיקייה 05-amazon-ready/[SKU]/ ושמרו שם גרסאות ב-2K (2048px) וב-1K (1024px) — Amazon מאפשר לכם להעלות 1K, ורק אם הוא מעל 1600 הוא מאפשר זום. תמיד תעלו את הגרסה הגדולה יותר.

resolution לפי ערוץ — לאן הולך 2K ולאן לא צריך

לא כל ערוץ דורש את אותה רזולוציה. תמונה שמיועדת ל-Amazon main image צריכה 1600px+. תמונה ל-Instagram feed (פיד אינסטגרם) צריכה 1080x1350 (4:5). תמונה ל-Story באינסטגרם צריכה 1080x1920 (9:16). תמונה ל-Google Shopping דורשת לפחות 100px בצד הקצר, ומומלץ 800px+. המשמעות: אתם לא צריכים 4K לכל תמונה — רק ל-packshot הראשי.

המפה — מי צריך מה

המסקנה המעשית: ה-packshot הראשי הוא היחיד שצריך 2K. כל השאר (זוויות, lifestyle, חיתוכים) יכולים להיות ב-1K-2K, ולרוב מספיקים ב-1K. בפרק 2 ראינו שההפרש במחיר בין 1K ל-2K ב-Nano Banana Pro הוא $0.039 לעומת $0.134 — פי 3.4. על 1,000 תמונות שלא-דורשות 2K, זה חיסכון של $95 (351 ש"ח).

השיטה המעשית: ייצרו את ה-packshot הראשי ב-2K. ממנו, חתכו את הרזולוציות הנדרשות לכל ערוץ (1:1, 4:5, 9:16) ב-Photoshop/Photoroom — אין צורך לייצר מחדש. זה מהיר, זול, ושומר על עקביות. בפרק 4 נלמד לעשות את זה ב-batch עם template פר-קטגוריה.

מסלול ללא-קוד ל-packshot — Photoroom, Emilia, Pippit

לא כולם רוצים לגעת ב-API. ב-2026, יש 3 כלים מובילים ל-packshot במסלול ללא-קוד (no-code, ללא כתיבת קוד) שמתאימים לחנויות ישראליות:

Photoroom — הסטנדרט לחנויות e-commerce

Photoroom הוא הכלי הפופולרי ביותר ל-packshots ב-2026. הזרימה:

1. העלו את ה-reference (אחרי הסרת רקע).
2. בחרו template packshot — יש עשרות מוכנים, לפי קטגוריה.
3. התאימו רקע, תאורה, וזווית.
4. ייצאו ב-2K (או בחינם ב-1K HD, 1 ייצוא ליום).

מחיר: חינם (עם מגבלות), $9.99/חודש (Pro), $29.99/חודש (Studio, כולל batch). ה-1 HD/יום של הגרסה החינמית מספיק לבדיקות, לא לקטלוג. מתאים ל: חנויות שמייצרות <50 תמונות לחודש.

Emilia AI Studio — כלי ישראלי עם 6 קטגוריות

Emilia AI Studio הוא כלי ישראלי עם ממשק בעברית, שמציע 6 קטגוריות מוצר מובנות: jewelry (תכשיטים), apparel (אופנה), food & drink (מזון ומשקאות), furniture (רהיטים), cosmetics (קוסמטיקה), ועוד. לכל קטגוריה יש תבניות packshot מותאמות.

יתרון מרכזי: הכלי מבין עברית — גם ב-interface וגם בפרמטרים. אם אתם רוצים לכתוב "בקבוק סרום לבן עם תווית בעברית" ולקבל תוצאה רלוונטית, זה הכלי.

חיסרון: הוא ונדור קטן (vendor קטן, ספק מקומי) — צריך לוודא שהוא עדיין פעיל לפני שמתחייבים ל-12 חודשים. מתאים ל: מוכרים ישראלים שמעדיפים UI בעברית וקטגוריות מוכנות.

Pippit AI — עברית, AI product photo editing

Pippit מציע חבילה דומה ל-Photoroom, עם UI בעברית ופיצ'רים שמותאמים למוכרים. הסרת רקע בלחיצה, תבניות packshot, וייצוא ברזולוציות שונות.

מתאים ל: מוכרים שמחפשים חלופה בעברית ל-Photoroom, או למי שכבר משתמש ב-Pippit לכלי AI אחרים.

השוואה מהירה — מי לבחור

המלצה סופית: למתחילים (< 50 תמונות/חודש) — Photoroom Pro או Emilia. למי שכבר משתמש ב-Adobe — Firefly. למי שמתכנן batch גדול — לעבור ל-API (פרק 5).

תרגילים — 4 תוצרים שעוזבים אתכם עם הפרק

ארבעת התרגילים האלה בונים את ה-packshot הראשון המלא שלכם: מצילום reference → דרך הסרת רקע → prompt → composite → ולידציה ל-Amazon. כל תרגיל מייצר קובץ שישמש אתכם גם בפרקים 4-5.

טעויות נפוצות

Work Routine — שגרת הפקת packshot

הפקת packshot היא לא אירוע חד-פעמי. גם אחרי שיש לכם 50 מוצרים בחנות, תמשיכו להוסיף מוצרים חדשים, לרענן תמונות ישנות, ולעדכן תוויות. שגרה קבועה הופכת את העבודה מאירוע מבלבל לתהליך צפוי.

מילון מונחי הפרק — Glossary