E-handel: produktfoton
På denna sida
Uppdaterat 2 november 2026 — bildmodeller.
gpt-image-1, modellen som denna kurs ursprungligen skrevs för, lades ner den 23 oktober 2026.gpt-image-1.5,gpt-image-1-miniochchatgpt-image-latestkommer att tas ur bruk den 1 december 2026. Exemplen använder nugpt-image-2.5-sunburst, som erbjuder högsta precision vid redigering;gpt-image-2.5-flareär snabbare för standardgenerering. Båda modellerna stöder även kvalitetsinställningarnaxhighochmax. GPT Image-modeller returnerar alltid bilder i base64: parameternresponse_formatsom användes av äldre DALL·E-modeller accepteras inte längre och har tagits bort från koden. Källa: Image generation (OpenAI).
E-handel: produktfoton
AI-generering av bilder transformerar den visuella produktionen inom e-handeln. En traditionell fotografering kräver en studio, en fotograf, en retuschör och flera veckors schemaläggning, med budgetar som löper på tusentals euro. GPT Image producerar en professionell produktvisualisering på sekunder. Denna lektion visar dig hur du genererar bilder som är kommersiellt gångbara – vilket innebär att de uppfyller de visuella standarderna för en produktsida – snarare än att skapa rent dekorativa illustrationer.
Produktfoton mot vit bakgrund
En vit bakgrund är guldstandarden inom e-handeln. Marknadsplatser kräver det, och kunder förväntar sig det när de jämför artiklar sida vid sida. Utmaningen ligger inte bara i att säga “vit bakgrund”; det handlar om att beskriva belysningen som gör produkten läsbar. Prompten i funktionen nedan staplar fem specifika detaljer som gör hela skillnaden: helt vit bakgrund, mjuk studio-belysning (softbox), en mjuk skugga för att undvika en grov urklippningseffekt, en lätt förhöjd 3/4-vinkel för att ge volym, och en referens till stilen “Amazon / premium e-handel” för att rama in resultatet.
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-foton
Ett foto mot vit bakgrund informerar; ett lifestyle-foto skapar begär. Det visar produkten i sin användningskontext och låter köparen projicera sig in i scenen. En isolerad vattenflaska som vilar på en klippa med utsikt över ett bergspanorama säljer inte borstat stål; det säljer en vandring. Ordförrådet i prompten förändras därför helt – naturligt ljus istället för studio, lätt bokeh istället för maximal skärpa, excentrisk komposition enligt tredjedelsregeln istället för ett centrerat motiv. Formatet byts också till liggande, eftersom dessa visualiseringar fungerar som banners på produktsidor eller innehåll för sociala 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"
)
Färgvariationer av samma produkt
En sneaker-modell som finns i fem färger kräver fem strikt identiska visualiseringar, som endast skiljer sig åt i färg: samma vinkel, samma skugga, samma beskärning. Loopen nedan gör exakt detta. Den håller ett block av fotografiska direktiv strikt konstant och varierar endast färgnamnet. Det som skulle kosta dig en halv dags studiotid och retuschering hanteras här i en enda skriptkörning.
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}")
Paket med flera vyer
En seriös produktlistning förlitar sig aldrig på ett enda foto. Köpare vill se objektet framifrån, från sidan, uppifrån och i 3/4-vy innan de tar fram kortet. Funktionen pack_vues_produit industrialiserar detta krav genom att iterera genom fyra vinkelbeskrivningar och suffixa varje filnamn på ett förutsägbart sätt. Detta låter ditt backoffice-system att automatiskt koppla dem till rätt artikelnummer (SKU) senare.
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"
)
Ändra bakgrunden på ett befintligt foto
Har du redan ett foto mot vit bakgrund och vill ha en lifestyle-version utan att generera om produkten? images.edit() låter dig göra detta, förutsatt att du resonerar bakvänt: masken skyddar produkten och frigör allt annat. Funktionen nedan ritar en opak ellips i mitten – den bevarade zonen – och lämnar periferin transparent så att modellen kan måla om den. Anropet specificerar i prompten att den centrala produkten förblir intakt, vilket förstärker det förväntade beteendet.
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"
)
Vad generering inte garanterar
Fyra förbehåll är värda att notera innan du kopplar detta till en produktionskatalog. Det första är konsistens: GPT Image garanterar inte att samma produkt blir identisk från en generering till nästa. En färgvariation som körs tre dagar senare kan returneras med en något annorlunda sula. Lösningen är att generera alla varianter av samma artikelnummer (SKU) under samma session, precis som färgloopen gör.
Det andra gäller text på själva produkten. Logotyper och tryckta etiketter återges väl, men du måste fortfarande granska dem. En burk med kräm vars varumärke saknar en bokstav kanske klarar skriptets granskning, men inte kundens. Det tredje förbehållet gäller verkliga dimensioner, vilket modellen ignorerar. Om proportioner är viktiga – en 50 ml-flaska som inte ska se ut som en 1-litersburk – ange dem explicit i prompten. Det fjärde är metodologiskt: AI påskyndar produktionen, men den ersätter inte mänsklig validering. Ingen visualisering bör någonsin publiceras på en produktsida utan att ha granskats av en person.
För att testa hela kedjan, välj en riktig eller fiktiv produkt och skriv ett skript som genererar dess kompletta e-handelspaket: ett foto mot vit bakgrund, två lifestyle-foton i olika kontexter och tre färgvariationer. Då får du en konkret uppfattning om vad en katalog på hundra artikelnummer (SKU) innebär.