GPT Image 2 İstem Mühendisliği: Temellerden İstikrarlı Üretime Kadar Eksiksiz Bir İleri Düzey Kılavuz

Aynı model, aynı ürün, ancak farklı istem ifadeleri başarı oranını %30'dan %80'e çıkarabilir. Bu metafizik değildir; bu bir metodolojidir.

Bu makaledeki tüm ürün görselleri GPT Image 2 kullanılarak oluşturulmuştur.

---

Neden İstemler Hakkında Ayrı Ayrı Konuşuyoruz?

GPT Image 2'nin yetenek tavanı çok yüksektir; gerçekçi ürün fotoğrafçılığı, ince malzeme dokuları ve doğru metin oluşturma sağlayabilir. Ancak, "modelin yapabilecekleri" ile "sizin ona istikrarlı bir şekilde yaptırabilecekleriniz" arasında bir istem mühendisliği uçurumu vardır.

Birçok kişi şunu deneyimler: ara sıra çarpıcı bir görsel oluştururlar, ancak çoğu zaman sonuçlar ya "biraz kapalıdır" ya da "tamamen raydan çıkmıştır". Sorun modelde değil, sizinle model arasındaki "iletişim yolunda" yatmaktadır.

Bu makale bu sorunu çözmeyi amaçlamaktadır. En temel istem yapılarından başlayıp kademeli olarak düzenleme akışlarına, çoklu görsel kompozisyonuna, başarısızlık teşhisine ve parametrelendirilmiş şablon sistemlerine gireceğim. Nihai hedef, istikrarlı, yeniden kullanılabilir ve toplu işlenebilir bir istem iş akışı oluşturmanıza yardımcı olmaktır.

---

Seviye 1: Saf Metin Üretimi İstem Yapısı

Bu en temel kullanımdır; elinizde gerçek ürün fotoğrafları yoktur ve yapay zekanın görsel oluşturmasına izin vermek için tamamen metin açıklamalarına güvenirsiniz. Konsept sanatı, satış öncesi görseller veya fiziksel ürüne sahip olmadan önce hikayeyi satmanız gereken aşama için uygundur.

Temel Çerçeve: Dört Bölümlü Yapı

Kapsamlı testlerden sonra, istemleri aşağıdaki sırayla düzenlemenin en istikrarlı sonuçları verdiğini buldum:

[Sahne/Arka Plan] → [Ürün Öznesi] → [Önemli Detaylar] → [Kısıtlamalar]

Bu sıralama neden işe yarıyor? Çünkü GPT Image 2, istemin başlangıcına en yüksek ağırlığı verir. "Sahne"yi ilk sıraya koyarsanız, model önce genel görsel bağlamı oluşturur; "Ürün Öznesi"ni ikinci sıraya koymak, modelin ürünü doğru bağlam içinde tasvir etmesini sağlar; "Detaylar" hassasiyeti tamamlar; ve "Kısıtlamalar" sınırları belirler.

Tersine, ayrıntılarla başlarsanız (örneğin, "30 ml buzlu cam şişe, gümüş damlalıklı kapak"), model doğru görsel bağlamı oluşturmadan önce ayrıntıları oluşturmaya başlayabilir ve bu da genel bir stil sapmasına yol açar.

Pratik Örnek: Güzellik Serumu Beyaz Arka Plan Ana Görseli

Amaç:
Shopify PDP Ana Görseli

Özne:
30 ml cam damlalıklı serum şişesi, buzlu şeffaf cam gövde, süt beyazı sıvı, gümüş metal damlalıklı kapak, minimalist üst düzey cilt bakımı markası tonu.

Arka Plan:
Saf beyaz dikişsiz arka plan.

Kompozisyon:
Öne dönük, hafifçe sola 10 derece döndürülmüş, özne ortalanmış, çerçevenin %90'ını kaplıyor, hafif doğal temas gölgesi.

Aydınlatma:
Yumuşak dağınık stüdyo aydınlatması, kontrollü aynasal vurgular, net cam kenarları, gerçekçi görünür sıvı.

Detaylar:
Gerçekçi cam kalınlığı, düz etiket, doğal sıvı viskozitesi, temiz metal yansıması.

Kısıtlamalar:
Taç yaprağı yok, yaprak yok, ekstra aksesuar yok, kurgusal logo yok, ekstra metin yok, filigran yok.

Çıktı:
1024x1024, quality=medium

Bu örnekteki birkaç önemli noktaya dikkat çekmekte fayda var:

"Hafifçe sola 10 derece döndürülmüş", "Öne dönük" olmaktan daha iyidir. Tamamen öne dönük bir açı kolayca katı görünürken, hafif bir dönüş üç boyutlu bir his katar.

"Kontrollü aynasal vurgular" terimi çok önemlidir. Bunu dahil etmezseniz, yapay zeka cam şişeye abartılı yansımalar ekleyebilir ve bu da onun bir ürün görselinden çok bir reklam afişi gibi görünmesine neden olabilir.

Kısıtlama maddesi altı tane "Yok" listeler. Bunlar saçmalık değildir; her biri hatalarımdan ders çıkardıktan sonra eklendi. "Taç yaprağı yok", yapay zekanın özellikle cilt bakım ürünlerinin yanına taç yaprağı süslemeleri eklemeyi sevmesi nedeniyledir; "kurgusal logo yok", sizin için bir marka tanımlayıcısı icat etme özgürlüğünü alması nedeniyledir.

---

Seviye 2: Düzenleme Akışı — Gerçek Fotoğraflara Dayalı Değişiklik

Elinizde gerçek ürün fotoğrafları olduğunda, düzenleme akışı saf üretim akışından çok daha istikrarlıdır. E-ticaret senaryolarında en çok önerilen kullanım şekli budur.

Düzenleme Akışının Temel Mantığı

Düzenleme akışı "yapay zekadan yeni bir resim çizmesini istemek" değil, "yapay zekadan halihazırda sahip olduğunuz bir görsel üzerinde belirli değişiklikler yapmasını istemektir". Kulağa basit geliyor, ancak birçok kişi düzenleme istemlerini yanlış şekilde yazıyor.

Yanlış örnek:

Bu ürün görselinin daha premium görünmesini sağla, arka planı bir banyo sahnesiyle değiştir.

Bu istemin sorunu "daha premium" ifadesinin çok belirsiz olması ve yapay zekanın tam olarak neyi değiştirmek istediğinizi bilmemesidir. Değişmesini istediğiniz şeyleri (aydınlatma gibi) değiştirmeyip, değişmesini istemediğiniz şeyleri (şişe şekli gibi) değiştirebilir.

Doğru örnek:

Yalnızca arka planı ve ortam aydınlatmasını değiştir. Arka planı, soldan gelen doğal pencere ışığı ile beyaz mermer bir banyo tezgahı ile değiştir. Ürünün geometrisini, rengini, etiket düzenini, ölçeğini, malzemesini ve marka kimliği ayrıntılarını tamamen değişmeden tut.

Temel fark şudur: "neyin değiştirileceğini" ve "neyin değiştirilmeyeceğini" açıkça listelemek.

Düzenleme Akışı İstem Şablonu

Girdi:
Image 1 = [Gerçek ürünün önden çekilmiş görseli]

Görev:
Image 1'deki ürünü [Belirli sahne açıklaması] içine yerleştir.
Yalnızca arka planı, ortam aydınlatmasını, aksesuarları ve lens bağlamını değiştir.
Ürünün geometrisini, rengini, etiket düzenini, ölçeğini, malzemesini ve marka kimliği ayrıntılarını değiştirmeden tut.

Kompozisyon:
[Yarım gövde yakın çekim / Masaüstü yakın çekim / Dikey kompozisyon / Yatay kompozisyon]
Özne, [sol/sağ] negatif alan bırakarak çerçevenin görsel merkezi olmaya devam eder.

Aydınlatma:
Sahnenin doğal ışığını eşleştirerek temas gölgelerinin, yansımaların ve ölçek ilişkilerinin gerçekçi olmasını sağla.

Kısıtlamalar:
Ürünün kendisini değiştirme, yeni metin, logo veya filigran ekleme, ambalaj içeriğini değiştirme.

Düzenleme Akışının "Tek Değişken İterasyonu" İlkesi

OpenAI tarafından açıkça önerilen resmi bir ayarlama yöntemi şudur: Her seferinde yalnızca bir değişkeni değiştirin; tüm paragrafı yeniden yazmayın.

Örneğin, oluşturulan sahne görselinden memnun değilseniz, tüm istemi çöpe atıp baştan başlamayın. Bunun yerine, yalnızca bir boyutu değiştirin:

• "Aydınlatmayı daha yumuşak yap, ancak kompozisyonu ve sahneyi değiştirme."
• "Arka planı bir banyodan yatak odasına değiştir, diğer her şeyi değiştirmeden tut."
• "Yatay kompozisyonu dikey kompozisyona değiştir, ürün konumunu ve aydınlatmayı değiştirmeden tut."

Bu tek değişken yinelemesinin yararı, her seferinde bir "kontrol değişkeni" deneyi yürütmek yerine, hangi değişikliğin etki farkını yarattığını tam olarak bilmenizdir.

---

Seviye 3: Çoklu Görsel Kompozisyonu — İleri Düzey Kullanım

GPT Image 2, birden fazla referans görselin aynı anda girilmesini ve belirttiğiniz ilişkiye göre birleşik bir sonuç çıkarılmasını destekler. Bu, e-ticaret senaryolarındaki en güçlü ancak aynı zamanda hataya en açık kullanımdır.

Çoklu Görsel Kompozisyonu İçin Tipik Senaryolar

Senaryo 1: Gerçek Ürün + El Modeli Duruşu

Girdi:
Image 1 = Gerçek ürün görseli
Image 2 = El modeli tutuş duruşu referans görseli

Görev:
Image 1'deki ürünü, Image 2'deki tutuş yöntemine göre elde göster.
Ürünün kendisi gerçekçi rengini, geometrisini ve etiket konumunu korumalıdır.
Sonucun tek bir gerçek fotoğraf çekimi gibi görünmesi için perspektifi, ölçeği, gölgeleri ve renk sıcaklığını eşleştir.

Kısıtlamalar:
Yalnızca gerekli aksesuarları dahil et; yanıltıcı aksesuarlar ekleme; yeni metin, logo veya filigran ekleme.

Senaryo 2: Gerçek Ürün + Sahne Referansı + Stil Referansı

Girdi:
Image 1 = Gerçek ürün görseli
Image 2 = Hedef sahne referans görseli
Image 3 = Aydınlatma/atmosfer referans görseli

Görev:
Image 1'deki ürünü Image 2'deki sahneye yerleştir ve Image 3'ün aydınlatma stiline göre işle.
Ürünün tüm ayrıntılarını değiştirmeden tut.
Üç görsel arasındaki perspektif, ölçek ve ton ilişkilerini eşleştir.

Çoklu Görsel Kompozisyonunda En Sık Yapılan Hatalar

Belirsiz referans ilişkileri. Açıkça "Image 1 ürün, Image 2 sahnedir" demezseniz, model kendi başına tahmin yürütecektir. Doğru tahmin etme olasılığı yüksek değildir.

Girdi görselleri arasında çok büyük stil boşluğu. Ürün görseliniz beyaz bir arka plan üzerinde bir stüdyo çekimi ise ve sahne referans görseli bir telefonla çekilmiş gündelik bir yaşam tarzı fotoğrafı ise, aydınlatma ve renk sıcaklığı tamamen uyumsuz olacak ve bu da çok rahatsız edici bir kompozit ile sonuçlanacaktır. Girdi görsellerinin aydınlatma koşullarını birbirine yakın tutmaya çalışın.

Çok fazla şey istemek. Üç girdi görseli zaten oldukça fazladır. Girdi ne kadar fazla olursa, modelin dengelemesi gereken bilgi o kadar fazla olur ve hata olasılığı o kadar artar. İki görselle çözebiliyorsanız, üç kullanmayın.

---

Seviye 4: Başarısızlık Teşhisi — Sorunlar Ortaya Çıktığında Nasıl Düzeltilir

İstem mühendisliğinin en değerli kısmı "iyi bir istemin nasıl yazılacağı" değil, "sorunlar meydana geldiğinde bunların nasıl hızlı bir şekilde bulunup düzeltileceği" dir.

İşte uygulamada biriktirdiğim yaygın başarısızlık modelleri ve bunlara karşılık gelen düzeltmeler.

Başarısızlık Modeli 1: Ürün Şekli Bozulması

Belirti: Şişe şekli değişir, ayakkabı kalıbı çarpıktır veya kulaklık kılıfı deforme olmuştur.

Neden: Saf metin üretimi sırasında modelin geometrik ayrıntıları anlama konusunda sapmaları vardır.

Düzeltme: Gerçek bir ürün fotoğrafını çapa olarak kullanarak düzenleme akışına geçin. İsteme "preserve exact geometry" veya "ürünün geometrik şeklini tamamen değiştirmeden tut" ekleyin.

Başarısızlık Modeli 2: Renk Sapması

Belirti: Gümüş bir kapak altına dönüşür veya süt beyazı sıvı uçuk maviye dönüşür.

Neden: Rengin metin açıklaması yeterince kesin değil veya model renk sözcüklerini yanlış anlıyor.

Düzeltme: Gerçek ürünün referans görselini sağlayın. Metin açıklamaları kullanmanız gerekiyorsa, belirsiz sıfatlar yerine belirli renk referansları kullanın; "gümüş metal" yazmak "metalik renk" ten daha iyidir ve "Pantone 7541 C açık gri" yazmak "açık gri" den daha iyidir.

Başarısızlık Modeli 3: Gereksiz Unsurların İstilası

Belirti: Taç yaprakları, yapraklar, su damlaları, marka logoları veya fazladan metin açıklanamaz bir şekilde ortaya çıkıyor.

Neden: Model, kategoriye göre ortak unsurları "ilişkilendirir". Cilt bakım ürünlerinin yanına taç yaprakları veya içeceklerin yanına su damlaları eklemek, bu modelin eğitim verilerinden öğrendiği "sağduyu"dur.

Düzeltme: Kısıtlamalar maddesinde bunları açıkça hariç tutun. "Taç yaprağı yok, yaprak yok, su damlası yok, kurgusal logo yok, ekstra metin yok." Bu kısıtlamalar ne kadar spesifik olursa o kadar iyidir.

Başarısızlık Modeli 4: Aydınlatma Uyumsuzluğu

Belirti: Ürün üzerindeki aydınlatma yönü arka planın aydınlatma yönüyle tutarsız ve bu da onun photoshoplanmış gibi görünmesine neden oluyor.

Neden: Düzenleme akışı, bir aydınlatma eşleştirme gereksinimini açıkça belirtmedi.

Düzeltme: İsteme "match the lighting direction and color temperature of the scene" veya "sahnenin aydınlatma yönünü ve renk sıcaklığını eşleştir" ekleyin.

Başarısızlık Modeli 5: El Modeli Deformitesi

Belirti: Parmak sayısı yanlış, bilek bükülmüş veya tutuş duruşu doğal değil.

Neden: Yapay zekanın insan eli üretmesi hala kabul edilen bir zorluktur.

Düzeltme: Ellerin sayısını, konumunu ve duruşunu açıkça yazın. "Bir yetişkin eli, doğal tutuş, kısa temiz tırnaklar, yüzük yok, bilekten kırp." Modelin el ayrıntılarına kendi başına karar vermesine izin vermeyin.

---

Seviye 5: Kategori Farklılıkları — Farklı Ürünler İçin İstem Odağı

Her ikisi de "ürün görselleri" olmasına rağmen, farklı kategoriler için istemlerin yazılış şekli büyük ölçüde değişir. İşte kategoriye göre temel istem farklılıklarının bir dökümü.

Giyim: "Giyilme Durumuna" Odaklanın

Giyim için en büyük korku, yapay zekanın kıyafetleri "bir kişinin üzerinde giyilmiş" yerine "askıya asılmış" gibi göstermesidir. İstemler aşağıdakiler konusunda açık olmalıdır:

• Modelin vücut tipi ve duruşu.
• Giysinin dökümü ve katlanma yönü.
• Kumaşın dokusu (pamuğun yumuşaklığı, ipeğin parlaklığı, kotun sertliği).
• "Giysinin kesimini ve uyumunu değiştirme."

Ayakkabı: "Yapısal Doğruluğa" Odaklanın

Ayakkabılardaki temel zorluk, ayakkabı kalıbının şekli ve taban desenidir. İstemler aşağıdakiler konusunda açık olmalıdır:

• Yönelim (Amazon sola bakmasını gerektirir).
• Açı (45 derece standarttır).
• Taban deseninin netliği.
• "Ayakkabı şeklini, ayakkabı kalıbını, üst malzemeyi ve renk bloğu dağılımını değiştirmeden tut."

Mücevher: "Aydınlatma Kontrolüne" Odaklanın

Mücevher görsellerinin başarısı veya başarısızlığı aydınlatmada yatar. İstemler aşağıdakiler konusunda açık olmalıdır:

• "Kontrollü aynasal vurgular" — aşırı pozlamayı önlemek için.
• "Gerçekçi makro" — faset ayrıntılarını sağlamak için.
• "Bozulmamış metal" — gümüşün beyazlaşmasını veya altının sararmasını önlemek için.
• "Manken yok, büst yok" — Amazon'un mücevher kategorisi için katı bir kural.

Elektronik: "Kesin Arayüzlere" Odaklanın

Elektronik ürünler en düşük hata toleransına sahiptir. İstemler aşağıdakiler konusunda açık olmalıdır:

• Arayüz türleri ve konumları (USB-C, Lightning, 3.5mm).
• Düğme düzeni ve işaretleri.
• Gösterge ışığı renkleri ve konumları.
• "Gerçek üründe olmayan hiçbir bileşenin eklenmesini yasakla."

Ev Eşyaları: "Ölçek Algısına" Odaklanın

Ev ürünleri, sahneler aracılığıyla boyutu iletmelidir. İstemler aşağıdakiler konusunda açık olmalıdır:

• Referans nesnelerle orantılı ilişkiler (bir kupanın yanında bir kalem, bir yatakta bir yastık).
• Kullanım sahnesinin özgünlüğü (mutfak tezgahı, banyo rafı, oturma odası sehpası).
• Malzemelerin dokunsal açıklaması (ahşap damarının pürüzlülüğü, seramiğin pürüzsüzlüğü, kumaşın yumuşaklığı).

Güzellik: "Gerçekçi Malzemelere" Odaklanın

Güzellik ürünleri en zengin malzeme diline sahiptir. İstemler aşağıdakiler konusunda açık olmalıdır:

• Şişe gövdesi malzemesi (buzlu cam, parlak plastik, metal).
• İçerik dokusu (losyonun viskozitesi, serumun şeffaflığı, kremin kalınlığı).
• Ambalaj detayları (pompa yapısı, damlalık şekli, kapak malzemesi).
• "Ekstra çiçek süslemeleri yok" — Yapay zeka özellikle cilt bakım ürünlerine çiçek eklemeyi sever.

---

Seviye 6: Parametrelendirilmiş Şablon Kitaplığınızı Oluşturma

İstem mühendisliğinin nihai hedefi "her seferinde sıfırdan yazmak" değil, takımdaki herhangi birinin hızla görsel oluşturabilmesi için parametrelendirilmiş bir şablon kitaplığı oluşturmaktır.

Şablonların Alan Tabanlı Tasarımı

İstemi aşağıdaki alanlara ayırın ve her birini bağımsız olarak doldurun:

category: [Kategori]
shot_type: [Beyaz arka plan ana görseli / Yaşam tarzı görseli / Detay çekimi]
background: [Saf beyaz / Belirli sahne açıklaması]
angle: [Ön / 45 derece / Yukarıdan aşağıya / Makro]
lighting: [Stüdyo dağınık ışığı / Doğal pencere ışığı / Arka ışık / Kontrollü vurgular]
props: [Yok / Belirli aksesuar açıklaması]
constraints: [XX Yok, YY Yok, ...]
output_spec: [Boyut, Kalite katmanı, Format]

Şablonları Yeniden Kullanmanın Doğru Yolu

İstem paragrafının tamamını kopyalayıp yapıştırmayın. Bunun yerine, şablonun iskeletini (sahne, kompozisyon, aydınlatma, kısıtlamalar) sabitleyin ve yalnızca ürün açıklaması bölümünü değiştirin.

Örneğin, olgunlaşmış bir "beyaz arka plan ana görseli" şablonunuz varsa:

[Ürün Açıklaması], saf beyaz dikişsiz arka plan, öne dönük hafifçe sola 10 derece döndürülmüş, özne çerçevenin %90'ını kaplayacak şekilde ortalanmış,
yumuşak dağınık stüdyo aydınlatması, kontrollü aynasal vurgular, doğal temas gölgesi,
ekstra aksesuar yok, filigran yok, kurgusal logo yok, ekstra metin yok,
1024x1024, quality=medium

SKU'ları değiştirirken yalnızca [Ürün Açıklaması] alanını değiştirmeniz gerekir. Geri kalanını değiştirmeden bırakın. Bu, üretim verimliliğini artırırken marka görsel tutarlılığını sağlar.

Sürüm Yönetimi ve İzlenebilirlik

Her istem şablonuna benzersiz bir kimlik atayın ve aşağıdaki bilgileri kaydedin:

• Şablon kimliği ve sürüm numarası.
• Kullanılan model anlık görüntü sürümü.
• Üretim parametreleri (kalite katmanı, boyut).
• Girdi referans görsellerinin kimlikleri.
• Çıktı sonuçlarının derecelendirmesi.

Bu şekilde, belirli bir görselin stilini yeniden üretmeniz, bir sürümün bir platform tarafından neden reddedildiğini gidermeniz veya bir model yükseltmesinden sonra regresyon testi yapmanız gerektiğinde, her şey belgelenmiş olur.

---

"Etkili" ve "Etkisiz" Kelimeler Kontrol Listesi

Son olarak, o "görünüşte yararlı ama aslında işe yaramaz" istem kelimelerinden kaçınmanıza yardımcı olacak hızlı bir başvuru kılavuzu burada.

Gerçekten İşe Yarayan Kelimeler

Yararlı Görünen Ancak Kötü Performans Gösteren Kelimeler

---

"Görsel Üretmekten" "İstikrarlı Bir Şekilde Görsel Üretmeye"

İstem mühendisliği tek seferlik bir iş değil, sürekli bir yineleme sürecidir.

Benim tavsiyem şudur: "modelin bu kategorideki varsayılan performansının" neye benzediğini bulmak için en basit istemlerle bir dizi görsel oluşturarak başlayın. Ardından kademeli olarak kısıtlamalar ve ayrıntılar ekleyerek her bir değişikliğin getirdiği farklılıkları gözlemleyin. En baştan uzun ve karmaşık bir istem yazmayın; bu yalnızca hangi parçanın işe yaradığını belirlemenizi imkansız hale getirecektir.

Önce çalışmasını sağlayın, sonra optimize edin. Bu, tüm mühendislik sorunları için evrensel bir çözümdür ve istem mühendisliği de bir istisna değildir.

Çeşitli istemler arasındaki farkları kendiniz denemek ister misiniz? gpt-image2ai.net adresine gidin ve farklı istemlerle aynı ürünü kullanarak birkaç karşılaştırma seti çalıştırın. Bundan on makale okumaktan daha fazlasını öğreneceksiniz.

Try GPT Image 2 for Free Now →