Spring til hovedindhold
Dansk— Vælg et sprog
Menu

E-handel: produktfotos

Lektion 6 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. E-handel: produktfotos
  2. Produktfotos på hvid baggrund
  3. Lifestyle-fotos
  4. Farvevariationer af samme produkt
  5. Pakke med flere visninger
  6. Ændring af baggrunden på et eksisterende foto
  7. Hvad generering ikke garanterer
  8. Vigtige pointer

Opdateret 2. november 2026 — billedmodeller. gpt-image-1, modellen dette kursus oprindeligt blev skrevet til, blev afviklet den 23. oktober 2026. gpt-image-1.5, gpt-image-1-mini og chatgpt-image-latest udgår den 1. december 2026. Eksemplerne bruger nu gpt-image-2.5-sunburst, som tilbyder højeste præcision til redigering; gpt-image-2.5-flare er hurtigere til standardgenerering. Begge modeller understøtter også kvalitetsindstillingerne xhigh og max. GPT Image-modeller returnerer altid billeder i base64: parameteren response_format, som ældre DALL·E-modeller brugte, accepteres ikke længere og er fjernet fra koden. Kilde: Image generation (OpenAI).

E-handel: produktfotos

AI-billedgenerering transformerer den visuelle produktion inden for e-handel. En traditionel fotosession kræver et studie, en fotograf, en retoucher og flere ugers planlægning, med budgetter på tusindvis af euro. GPT Image producerer et professionelt produktbillede på få sekunder. Denne lektion viser dig, hvordan du genererer billeder, der er kommercielt levedygtige – hvilket betyder, at de lever op til de visuelle standarder for en produktside – i stedet for blot at skabe dekorative illustrationer.

Produktfotos på hvid baggrund

En hvid baggrund er guldstandarden inden for e-handel. Markedspladser kræver det, og kunder forventer det, når de sammenligner varer side om side. Udfordringen ligger ikke blot i at sige „hvid baggrund”; det handler om at beskrive den belysning, der gør produktet læseligt. Prompten i funktionen nedenfor stablet fem specifikke detaljer, der gør hele forskellen: ren hvid baggrund, softbox-studiebelysning, en blød skygge for at undgå en grov udskæringseffekt, en let høj 3/4-vinkel for at tilføje volumen, og en reference til stilen „Amazon / premium e-handel” for at ramme resultatet korrekt.

from openai import OpenAI
import base64

client = OpenAI()

def photo_produit_fond_blanc(description_produit: str, output: str):
    """Generate a product photo on a white background, e-commerce style."""
    prompt = (
        f"{description_produit}, "
        "professional product photography on pure white background, "
        "studio softbox lighting, soft shadow, "
        "slightly high 3/4 angle, "
        "maximum sharpness, high resolution, "
        "Amazon / premium e-commerce style"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Product photo: {output}")


photo_produit_fond_blanc(
    "Matte black wireless headphones, premium design, leather ear cushions",
    "casque_fond_blanc.png"
)

Lifestyle-fotos

Et foto på hvid baggrund informerer; et lifestyle-foto skaber lyst. Det viser produktet i sin brugskontekst og lader køberen projicere sig selv ind i scenen. En isoleret vandflaske, der hviler på en sten med udsigt over et bjergpanorama, sælger ikke børstet stål; den sælger en vandretur. Ordforrådet i prompten skifter derfor fuldstændigt – naturligt lys i stedet for studie, let bokeh i stedet for maksimal skarphed, en excentrisk komposition efter tredjedelsreglen i stedet for et centreret motiv. Formatet skifter også til liggende, da disse visuelle elementer tjener som banners på produktsider eller indhold til sociale medier.

from openai import OpenAI
import base64

client = OpenAI()

def photo_lifestyle(produit: str, contexte: str, output: str):
    """Generate a lifestyle photo of a product in context."""
    prompt = (
        f"{produit} used in a {contexte} context, "
        "editorial lifestyle photography, natural light, "
        "depth of field with light bokeh, "
        "off-center composition rule of thirds, "
        "aspirational mood, magazine style"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Lifestyle photo: {output}")


photo_lifestyle(
    "Brushed stainless steel insulated water bottle",
    "mountain hiking, resting on a rock with a panoramic view",
    "gourde_lifestyle.png"
)

photo_lifestyle(
    "Brown waxed canvas backpack",
    "trendy coffee shop, resting on a wooden chair next to a laptop",
    "sac_lifestyle.png"
)

Farvevariationer af samme produkt

En sneaker-model, der findes i fem farver, kræver fem strengt identiske visuelle fremstillinger, der kun adskiller sig på farven: samme vinkel, samme skygge, samme beskæring. Løkken nedenfor gør præcis dette. Den holder en blok af fotografiske instruktioner strengt konstant og varierer kun farvenavnet. Det, der ville koste dig en halv dags studietid og retouchering, håndteres her i en enkelt script-kørsel.

from openai import OpenAI
import base64

client = OpenAI()

produit_base = "High-top leather sneakers"
couleurs = [
    ("white", "white_sneakers.png"),
    ("black", "black_sneakers.png"),
    ("burgundy red", "bordeaux_sneakers.png"),
    ("navy blue", "navy_sneakers.png"),
    ("olive green", "olive_sneakers.png"),
]

for couleur, filename in couleurs:
    prompt = (
        f"{produit_base} in {couleur}, "
        "product photography on white background, studio lighting, "
        "front 3/4 view, soft cast shadow, "
        "premium e-commerce site style, maximum sharpness"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(filename, "wb") as f:
        f.write(data)
    print(f"Color {couleur} → {filename}")

Pakke med flere visninger

En seriøs produktliste stole aldrig på et enkelt skud. Købere vil se objektet forfra, fra siden, ovenfra og i 3/4-vinkel, før de finder kreditkortet frem. Funktionen pack_vues_produit industrialiserer dette krav ved at iterere gennem fire vinkelbeskrivelser og tilføje et forudsigeligt suffiks til hvert filnavn. Dette giver dit backoffice-system mulighed for automatisk at knytte dem til den korrekte varenummer (SKU) senere.

from openai import OpenAI
import base64

client = OpenAI()

def pack_vues_produit(description: str, prefix: str):
    """Generate a pack of 4 product views."""
    vues = [
        ("front view, centered", "face"),
        ("left profile view, 90 degree angle", "profil"),
        ("top view, flat lay", "dessus"),
        ("3/4 view, slightly high angle", "3-4"),
    ]

    for prompt_vue, suffix in vues:
        prompt = (
            f"{description}, {prompt_vue}, "
            "pure white background, professional studio lighting, "
            "maximum sharpness, e-commerce style"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{prefix}_{suffix}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"View {suffix} → {path}")


pack_vues_produit(
    "Smartwatch with black silicone strap, round dial, OLED screen",
    "montre"
)

Ændring af baggrunden på et eksisterende foto

Har du allerede et foto på hvid baggrund og ønsker en lifestyle-version uden at skulle regenerere produktet? images.edit() lader dig gøre dette, forudsat at du tænker baglæns: masken beskytter produktet og frigør alt andet. Funktionen nedenfor tegner en uigennemsigtig ellipse i midten – den bevarede zone – og lader periferien være gennemsigtig, så modellen kan male den igen. Kaldet specificerer i prompten, at det centrale produkt forbliver intakt, hvilket forstærker den forventede adfærd.

import base64
from openai import OpenAI
from PIL import Image, ImageDraw

client = OpenAI()

def changer_fond_produit(image_path: str, nouveau_fond: str, output: str):
    """
    Replace the background of a product photo.
    Assumes the product is centered in the image.
    """
    source = Image.open(image_path)
    w, h = source.size
    mask = Image.new("RGBA", (w, h), (0, 0, 0, 0))
    draw = ImageDraw.Draw(mask)

    # Opaque zone in center = protected
    margin_x, margin_y = w // 5, h // 5
    draw.ellipse(
        [margin_x, margin_y, w - margin_x, h - margin_y],
        fill=(0, 0, 0, 255)
    )
    mask.save("temp_mask_fond.png")

    response = client.images.edit(
        model="gpt-image-2.5-sunburst",
        image=open(image_path, "rb"),
        mask=open("temp_mask_fond.png", "rb"),
        prompt=f"Background: {nouveau_fond}, the product in the center remains intact"
    )

    with open(output, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Background modified: {output}")


changer_fond_produit(
    "casque_fond_blanc.png",
    "minimalist light wood design desk, blurred green plant in background",
    "casque_lifestyle_auto.png"
)

Hvad generering ikke garanterer

Fire forbehold er værd at nævne, før du kobler dette til et produktionskatalog. Det første er konsistens: GPT Image garanterer ikke, at samme produkt er identisk fra én generering til den næste. En farvevariation, der køres tre dage senere, kan returneres med en lidt anden sål. Løsningen er at generere alle varianter af samme SKU i samme session, som farveløkken gør.

Det andet angår tekst på selve produktet. Logoer og trykte etiketter gengives godt, men du skal stadig korrekturlæse dem. En creme-krukke, hvor mærkenavnet mangler et bogstav, måske slipper gennem scriptets øjne, men det slipper ikke gennem kundens. Det tredje forbehold vedrører reelle dimensioner, som modellen ignorerer. Hvis proportioner betyder noget – en 50 ml flaske, der ikke må ligne en 1-liters krukke – skal du specificere dem eksplicit i prompten. Det fjerde er metodisk: AI accelererer produktionen, men den erstatter ikke menneskelig validering. Intet visuelt element bør nogensinde gå live på en produktside uden at være gennemgået af et menneske.

For at teste hele kæden skal du vælge et rigtigt eller fiktivt produkt og skrive et script, der genererer dets komplette e-handelspakke: ét foto på hvid baggrund, to lifestyle-fotos i forskellige kontekster og tre farvevariationer. Så får du en konkret fornemmelse af, hvad et katalog på hundrede varenumre (SKUs) repræsenterer.

Vigtige pointer

  • Brug specifikke lysbeskrivelser (softbox, naturligt lys) snarere end blot „hvid baggrund” for at opnå professionelle resultater.
  • Generér alle farvevariationer af samme produkt i én enkelt session for at sikre visuel konsistens.
  • Anvend masker korrekt ved redigering: beskyt produktet (ugennemsigtigt) og frigør baggrunden (gennemsigtig).
  • AI erstatter ikke menneskelig kontrol; altid gennemgå logoer, tekst og proportioner før publicering.
  • Tilpas billedformatet til anvendelsen: kvadratisk til produktlistesider, liggende til lifestyle-bannere.