עדכני ליוני 2026

צילום-מוצר ב-AI — קטלוג חנות שלם בלי סטודיו ובלי צלם

מתמונת טלפון אחת ל-packshot תקני, מ-packshot אחד לקטלוג עקבי של 200 SKU — Nano Banana Pro/2, Seedream, GPT Image 2, batch pipeline, QA ו-compliance לאמזון ו-EU. 6 פרקים מעשיים בעברית.

6
פרקים מקיפים
100%
חינם
עברית
שפה
1 קטלוג, לא תמונה — תפיסת צילום-המוצר ב-AI ל-2026 כלכלת הקטלוג בשקלים (200 SKU x 5 תמונות), ארבעת תפקידי-התמונה, ומדוע 'prompt אחד מנצח' הוא מלכודת. 2 בחירת המנוע — Nano Banana Pro/2, Seedream ו-GPT Image ב-2026 מטריצת החלטה hero/batch/טקסט/תקציב, עלות בשקלים-לתמונה לפי resolution, ונתיב ללא-קוד מול API. 3 ה-Packshot הנקי — הבסיס שכל הקטלוג נבנה עליו הסרת רקע תחילה, נוסחת softbox+5600K, הגנת תווית (composite vs background-only), ודרישת Amazon. 4 עקביות בקנה-מידה — multi-reference ו-template פר-קטגוריה Sweet spot ~6 references, prompt שומר-זהות, template קפוא פר-קטגוריה ו-5 רקעים × 3 זוויות עקביים. 5 ה-Batch Pipeline — קטלוג חנות שלם דרך API CSV → references → template → fal/Replicate batch → תיקיית QA, cache layer, וחיתוכי ערוץ ממקור אחד. 6 QA, Compliance והעלאה לאוויר — קטלוג capstone (ישראל + גלובלי) שער QA, Amazon/Shopify/EU AI Act, SynthID/C2PA, ו-capstone: מיני-קטלוג של 10-15 SKU מוכן להעלאה.

מה תדעו בסוף הקורס?

לבחור מנוע AI נכון למשימה ולתקציב ולחשב עלות בשקלים-לתמונה

להפיק packshot לבן תקני מתמונת טלפון — צבעי-אמת, תווית קריאה, תואם Amazon

לשמור עקביות מוצר על פני קטלוג שלם עם multi-reference ו-template פר-קטגוריה

להפעיל pipeline של batch בקנה-מידה של חנות: CSV → API → תיקיית QA

להעביר כל תמונה בשער QA ולעמוד בכללי Amazon, Shopify ו-EU AI Act