Blog

Guide d'utilisation

Recettes de prompts de génération d'images produit e-commerce pour flux-2-klein-9b

Une structure de prompt copiable pour le rendu de texte et les détails haute fidélité, avec des requêtes curl et Python via l'API hiapi

Nov 9, 2026
Illustration de couverture : une coupe transversale minérale plate et facettée dans des tons bleu pétrole profond, bleu sarcelle et malachite, dans le style d'une planche de gemmologie imprimée.
Sur cette page

Pourquoi la structure du prompt compte plus que sa longueur

La plupart des rendus produit ratés ne le sont pas parce qu'il manque des adjectifs, mais parce que le prompt mélange le sujet, le cadrage, la lumière et les consignes de texte en un amas de mots indistinguables. Quand le résultat est mauvais, vous ne pouvez pas savoir quelle phrase en est responsable, vous réécrivez donc tout le paragraphe en perdant au passage les parties qui fonctionnaient.

Un prompt structuré résout ce problème, car chaque partie de la description a une place claire. Vous modifiez un seul emplacement à la fois et relancez le rendu. Si le texte de l'étiquette est déformé, changez l'emplacement texte. Si la bouteille ressemble à du plastique au lieu de verre dépoli, changez la description de la matière. Tout le reste reste inchangé, ce qui rend l'itération peu coûteuse et les bons résultats reproductibles.

Un prompt plus long n'améliore pas automatiquement la fidélité. Au-delà d'une certaine longueur, les adjectifs supplémentaires commencent à se concurrencer : « brillant » et « mat » dans le même passage, deux directions de lumière différentes, trois teintes de fond toutes plausibles. Le modèle ne peut que faire leur moyenne, et un prompt moyennisé produit des images médiocres. Un prompt court dont chaque emplacement est nettement séparé donne au modèle des instructions claires et sans ambiguïté.

Ce guide utilise partout le format de recette à cinq emplacements :

  • Sujet — le produit et ses propriétés physiques déterminantes
  • Composition — cadrage, angle, disposition, arrière-plan
  • Lumière — direction, qualité, rendu des ombres
  • Texte — libellé exact, position, hiérarchie
  • Négatifs — une courte liste d'artefacts à supprimer

Chaque section ci-dessous fournit des chaînes copiables pour un emplacement donné. Vous assemblez ces chaînes, les exécutez via flux-2-klein-9b/text-to-image sur l'API hiapi, et n'ajustez qu'un seul emplacement par itération.

Le squelette de recette : sujet, composition, lumière, texte, négatifs

Voici le modèle. Considérez les parties entre crochets comme des champs à remplir, et non comme des suggestions.

Subject: [产品名称], [主要材质], [表面处理], [一个区分性细节]
Composition: [镜头类型] of [主体摆放], [背景描述], [镜头角度]
Light: [方向] [质感] light, [阴影描述]
Text: the words "[精确文案]" in [字体风格], positioned [位置], sized [相对大小]
Negatives: [伪影], [伪影], [伪影]

Un exemple entièrement rempli pour un produit de soin :

Subject: amber glass dropper bottle, frosted glass body, matte black cap, a thin label band near the base
Composition: product hero shot, bottle centered on a light stone surface, soft neutral background with slight gradient, eye-level camera angle
Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow under the bottle
Text: the words "DAILY SERUM" in a clean geometric sans-serif, positioned on the label band, sized to span most of the label width
Negatives: warped lettering, duplicate labels, harsh specular hotspots

Deux règles rendent ce squelette fiable. Premièrement, l'ordre importe moins que la séparation — ces étiquettes (Subject:, Light:) servent à vous discipliner lors de l'édition et peuvent être supprimées une fois le prompt stabilisé. Deuxièmement, ne gardez que quelques descripteurs concrets par emplacement. Si un emplacement dépasse deux lignes, vous décrivez probablement deux images différentes.

Visez quinze à quarante mots par emplacement de contenu. Cette fourchette suffit à verrouiller la réalité physique du produit sans laisser au modèle l'espace nécessaire pour inventer des interprétations concurrentes.

Recettes pour un texte d'image net et lisible

Le rendu de texte est ce qui valorise le plus la discipline du prompt. Trois habitudes améliorent nettement le résultat : citer le libellé exact, préciser le placement et garder très peu de mots.

Citer une seule fois, et exactement

Mettez le libellé voulu entre guillemets et ne l'énoncez qu'une fois. Répéter la même chaîne dans différents emplacements incite le modèle à la rendre deux fois.

Text: the words "AURORA" in a bold condensed sans-serif, centered on the front panel, large enough to dominate the upper third

Spécifier explicitement la hiérarchie

Lorsqu'il y a deux éléments de texte, indiquez lequel est principal et lequel est secondaire, et décrivez leurs tailles relatives.

Text: primary line "COLD BREW" in a heavy serif, centered; secondary line "single origin" in a smaller light sans-serif directly beneath it, roughly one quarter the height of the primary line

Ancrer la position à un repère physique

« Centré » est trop faible. « Centré sur l'étiquette avant, entre le bord supérieur et la bague du goulot » donne au modèle une géométrie exploitable.

Text: the words "SPF 30" in a rounded sans-serif, positioned in the lower right corner of the label, small relative to the product

Rester bref

Un à quatre mots se rendent de manière stable. Les phrases complètes, les allégations produit et les listes d'ingrédients sont précisément là où la lisibilité s'effondre en glyphes fondus. Si votre packaging nécessite vraiment un paragraphe, générez d'abord une image produit propre, puis composez la typographie réelle par-dessus — le modèle n'est pas un moteur de mise en page.

Schémas efficaces pour les étiquettes e-commerce

  • Signature de marque courte : the words "NORD" in an uppercase geometric sans-serif, tracking wide, centered on the bottle shoulder
  • Contenance ou volume : the words "250ml" in a small regular sans-serif, bottom edge of the label, right-aligned
  • Mot de catégorie : the words "BODY LOTION" in a medium-weight sans-serif, one line, spanning the label width

Si le rendu produit des caractères illisibles, raccourcissez d'abord la chaîne, avant d'envisager de changer autre chose. La longueur est l'axe d'échec le plus courant.

Recettes pour des détails produit haute fidélité

La fidélité vient de la spécificité physique, pas de la densité d'adjectifs. Trois emplacements font l'essentiel du travail : la matière, le traitement de surface et le cadrage.

Matière

Nommez la substance, ainsi qu'un ou deux effets visibles.

Subject: ceramic mug, thick stoneware body, slight irregularity along the rim, speckled clay visible through the glaze

Comparez avec a beautiful high-quality mug, qui ne dit au modèle rien de rendable.

Traitement de surface

Le traitement de surface est l'endroit où le rendu se trompe le plus souvent, car « brillant » et « haut de gamme » ne sont pas des instructions exécutables. Décrivez le comportement de la lumière sur la surface.

Subject: stainless steel thermos, brushed horizontal grain, satin finish that spreads highlights into wide soft bands rather than sharp points
Subject: glass perfume bottle, clear thick-walled glass, polished facets that produce crisp edges and a visible refraction through the body

Cadrage

Empruntez le vocabulaire photographique. Cela donne au modèle un modèle cohérent de l'espace de la prise de vue.

  • product hero shot, eye-level, centered, shallow depth of field with the background falling off softly
  • three-quarter angle, slightly above eye level, product occupying the lower two thirds of the frame
  • flat lay, directly overhead, product aligned to the frame edges with even margins

Descripteurs de texture réellement utiles

N'utilisez ces mots que si le produit correspond vraiment : brushed, frosted, matte, satin, polished, woven, knurled, embossed, anodized. Chacun correspond à une réponse précise à la lumière, ce qui explique pourquoi ils surpassent les compliments génériques.

Une ligne de sujet complète, orientée détail :

Subject: matte ceramic candle jar, unglazed exterior with fine grain, smooth glazed interior lip, thin wooden lid resting slightly ajar

Remarquez l'absence de superlatifs. Chaque mot contraint une géométrie ou une lumière.

Chaque recette de prompt décompose une image produit en facettes : matière, traitement de surface, lumière et cadrage.

Poids et courte liste négative

Accentuer et atténuer des mots

Lorsqu'un emplacement est ignoré, vous avez deux leviers : déplacer le mot plus en amont dans le prompt, ou lui attribuer un poids. La syntaxe de pondération varie selon les outils ; avant de dépendre d'une notation particulière en production, vérifiez donc ce que flux-2-klein-9b/text-to-image accepte sur l'API hiapi. En pratique, réordonner est la correction la plus portable — les mots proches du début d'un emplacement pèsent plus que ceux enfouis à la fin.

Réservez les poids aux vrais conflits, pas à l'emphase quotidienne. Si le texte de l'étiquette rétrécit toujours, pondérez l'emplacement texte, pas chaque mot du sujet.

Fonder la liste négative sur des preuves

Une liste négative est une liste de correctifs, pas une liste de souhaits. Commencez vide. Lancez un rendu. Quand vous voyez un artefact précis, ajoutez-le. Quand vous ne le voyez plus, envisagez de le retirer.

Un ensemble de départ pratique pour le travail d'image produit :

Negatives: warped lettering, duplicate text, extra fingers, distorted reflections

Pour la plupart des prompts e-commerce, c'est à peu près la limite utile. Les listes négatives trop longues posent deux problèmes. Premièrement, elles consomment un budget de prompt qui servirait à décrire le produit. Deuxièmement, des négatifs larges comme blurry ou low quality peuvent pousser le modèle loin des flous d'arrière-plan légitimes et des textures de surface fines que vous voulez réellement.

Ajoutez les négatifs par catégorie d'artefact :

  • Échecs de texte : warped lettering, duplicate text, misspelled labels
  • Échecs de structure : asymmetric bottle, floating product, missing lid
  • Échecs de lumière : harsh specular hotspots, double shadows
  • Échecs d'arrière-plan : cluttered background, visible seams

Révisez la liste tous les quelques rendus. Si un élément n'est pas apparu depuis longtemps, supprimez-le et investissez ces mots ailleurs.

Exécuter sur l'API hiapi : curl et Python

L'identifiant du modèle est flux-2-klein-9b/text-to-image. Les deux clients envoient la même forme de requête : l'identifiant du modèle plus un objet de paramètres contenant le prompt assemblé. Remplacez la clé d'API et l'URL de base par les valeurs de votre compte hiapi.

curl

curl -X POST "$HIAPI_BASE_URL/v1/images/generations" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "flux-2-klein-9b/text-to-image",
    "prompt": "Subject: amber glass dropper bottle, frosted glass body, matte black cap, thin label band near the base. Composition: product hero shot, bottle centered on a light stone surface, soft neutral gradient background, eye-level camera angle. Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow. Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, spanning most of the label width. Negatives: warped lettering, duplicate labels, harsh specular hotspots."
  }'

Python

import os
import requests

payload = {
    "model": "flux-2-klein-9b/text-to-image",
    "prompt": (
        "Subject: amber glass dropper bottle, frosted glass body, matte black cap, "
        "thin label band near the base. "
        "Composition: product hero shot, bottle centered on a light stone surface, "
        "soft neutral gradient background, eye-level camera angle. "
        "Light: large softbox from the upper left, gentle falloff toward the right, "
        "soft contact shadow. "
        "Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, "
        "spanning most of the label width. "
        "Negatives: warped lettering, duplicate labels, harsh specular hotspots."
    ),
}

response = requests.post(
    f"{os.environ['HIAPI_BASE_URL']}/v1/images/generations",
    headers={
        "Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}",
        "Content-Type": "application/json",
    },
    json=payload,
    timeout=120,
)
response.raise_for_status()
print(response.json())

Ajuster la charge utile

Gardez le prompt comme une seule chaîne assemblée construite à partir de variables d'emplacement — n'envoyez pas un champ par emplacement, sauf si la documentation de l'API le prend explicitement en charge. Dans le code, stockez chaque emplacement comme une variable distincte puis concaténez, afin de pouvoir changer l'arrière-plan ou le libellé d'étiquette selon le SKU sans toucher au reste de la recette. Consultez la référence de l'API pour confirmer le chemin d'accès exact du point de terminaison et les paramètres acceptés pour votre compte ; ajoutez-y aussi un contrôle de taille de sortie ou de graine aléatoire si votre intégration en a besoin.

Une forme de charge utile, deux chemins clients — curl et Python envoient la même requête vers la même image renvoyée.

Un exemple complet d'image produit e-commerce

Voici un exemple complet et réutilisable pour une marque de café qui lance un café en grains en sachet. Chaque emplacement est rempli, la liste négative est courte et le texte reste assez bref pour se rendre de manière stable.

Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie, fine paper grain visible, a rectangular label panel on the front
Composition: product hero shot, bag standing slightly right of center on a dark walnut surface, muted warm background, three-quarter angle slightly above eye level
Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right
Text: the words "NIGHT ROAST" in a bold condensed serif on the label panel, centered; the words "250g" in a small sans-serif beneath it
Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots

Envoyez-le via la même forme de requête que précédemment, en remplaçant uniquement la chaîne du prompt :

prompt = " ".join([
    "Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie,",
    "fine paper grain visible, a rectangular label panel on the front.",
    "Composition: product hero shot, bag standing slightly right of center on a dark walnut surface,",
    "muted warm background, three-quarter angle slightly above eye level.",
    "Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right.",
    "Text: the words \"NIGHT ROAST\" in a bold condensed serif on the label panel, centered;",
    "the words \"250g\" in a small sans-serif beneath it.",
    "Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots.",
])

payload = {"model": "flux-2-klein-9b/text-to-image", "prompt": prompt}

Lisez le premier rendu comme une liste de contrôle. Le texte est-il net et correctement orthographié ? Sinon, raccourcissez le libellé ou simplifiez la description de la police. La texture du papier apparaît-elle ? Si le sachet ressemble à du plastique, renforcez l'emplacement matière et ajoutez des descripteurs de traitement de surface. La direction des ombres est-elle cohérente ? Si vous voyez deux ombres, l'emplacement lumière est en conflit — supprimez une source lumineuse.

Ne faites qu'un seul changement par itération, et conservez la version qui améliore l'emplacement visé sans dégrader les autres. Enregistrez chaque prompt accepté avec sa sortie, afin que la recette d'un SKU ne soit jamais perdue.

Itérer : du premier rendu à une série d'images cohérente

Un bon rendu unique n'est qu'une démonstration. Ce dont un catalogue e-commerce a besoin, c'est d'une série d'images cohérente. L'objectif est de faire varier la composition tout en fixant le sujet, la logique lumineuse et le traitement du texte.

Figer les emplacements d'identité

Gardez les emplacements Subject et Light identiques octet pour octet sur toute la série. Ils définissent ce qu'est le produit et comment il est éclairé. Les changer d'une prise de vue à l'autre est précisément ce qui fait qu'une série semble provenir de marques différentes. Dans le code, verrouillez-les comme des constantes et construisez les variations par-dessus.

Faire varier la composition de manière réfléchie

Écrivez à l'avance deux ou trois chaînes de composition et réutilisez-les d'un SKU à l'autre :

  • product hero shot, centered, eye-level, neutral gradient background
  • three-quarter angle from above, product in the lower two thirds, surface visible
  • flat lay, directly overhead, even margins on all sides

Alterner un vocabulaire de composition fixe produit une série qui semble intentionnellement conçue plutôt qu'aléatoire.

Ne remplacer que l'emplacement texte par variante

Si une ligne de produits partage le même packaging, seul l'emplacement texte varie généralement d'un SKU à l'autre. Paramétrez-le et laissez tout le reste inchangé. C'est aussi l'emplacement qui échoue le plus facilement, alors testez-le isolément avec une seule composition avant de générer toute la série.

Suivre les changements comme des diffs

Placez vos prompts sous contrôle de version. Chaque commit ne devrait modifier qu'un seul emplacement, accompagné du rendu qu'il produit. Quand une régression apparaît dans une variante ultérieure — par exemple une étiquette soudainement déformée —, vous pouvez remonter à l'édition d'emplacement précise plutôt que de réécrire toute la recette.

Savoir quand arrêter de régler

Si trois modifications consécutives d'un emplacement n'apportent aucune amélioration visible, le problème se situe probablement au-delà du prompt : la requête elle-même, ou un détail physique que le modèle ne peut pas interpréter avec le cadrage actuel. Sortez ce détail du prompt pour le traiter en post-production, ou changez la composition afin qu'il ne soit plus porteur.

Une fois vos constantes et votre vocabulaire de composition stabilisés, générer une collection produit complète devient une boucle sur les chaînes de texte et de composition, plutôt qu'un exercice de réécriture du prompt à chaque fois. Gardez le squelette de recette fixe, et votre catalogue pourra grandir avec lui.

Articles similaires

Voir tous les articles →

Commencez avec des artefacts IA persistants

Obtenez votre clé API et appelez des modèles d'image, de vidéo et d'audio via une API unique basée sur les tasks.

Lire la documentation de l'API