AI-billedgenerering er ikke længere science fiction

Vi står midt i et skifte, hvor AI-billedgenerering ikke kun er for tech-nørder eller reklamefolk. Det er blevet relevant for undervisere, for digitaliseringsfolk i kommuner og for alle, der arbejder med visuel kommunikation. Hvorfor? Fordi værktøjer som HuggingFace Diffusers og Stable Diffusion nu gør det muligt at skabe, styre og redigere billeder på et niveau, der for få år siden virkede urealistisk. Og så er det faktisk til at gå til – også selvom du ikke har en ph.d. i maskinlæring.

Det overraskede mig, hvor hurtigt det gik fra at være noget, vi kun læste om i tech-medier, til at vi selv kunne bruge det i praksis. Jeg kan stadig huske lugten af kaffe på kontoret, da vi første gang fik Stable Diffusion til at spytte et billede ud, der faktisk lignede noget, vi kunne bruge i en præsentation.

Hvad er HuggingFace Diffusers egentlig?

Okay, lad os tage det fra toppen. HuggingFace Diffusers er et open source-bibliotek, der gør det let at arbejde med AI-modeller til billedgenerering. Stable Diffusion er selve modellen, der kan lave billeder ud fra tekstbeskrivelser. Forestil dig, at du skriver: “En kat på en cykel i København” – og så får du et billede, der faktisk ligner det. Det er ikke magi, men det føles sådan første gang.

Det smarte er, at Diffusers ikke kun kan lave billeder fra tekst. Du kan også redigere eksisterende billeder, styre kompositionen eller endda lave små ændringer i bestemte områder. Det gør det relevant for alt fra undervisning (hvor elever kan visualisere historier) til kommunikation i det offentlige (hvor man kan lave illustrationer til borgerbreve uden at hyre en grafiker hver gang).

Sådan kommer du i gang – uden at gå i stå

Det lyder måske lidt overvældende, men workflowet er faktisk til at have med at gøre. Her er, hvad vi selv gjorde første gang:

• Installer Python og de nødvendige biblioteker (diffusers, transformers, accelerate osv.).
• Sørg for at din maskine har et grafikkort – ellers bliver det langsomt. Vi prøvede på en gammel Lenovo uden GPU, og det var… tålmodighedskrævende.
• Kør et par linjer kode for at hente modellen og generere det første billede. Det tager 5-10 minutter, hvis du følger en guide.

Stabil drift kræver, at du holder styr på versioner af dine biblioteker (især Pillow og diffusers). Vi har oplevet, at én forkert version kan få hele lortet til at vælte. I en kommune kan man fx automatisere billedgenerering til borgerkommunikation – fx et workflow, hvor et system genererer illustrationer til informationsmateriale uden manuel indgriben.

Avanceret styring: LoRA, ControlNet og inpainting

Nu bliver det lidt mere nørdet, men hæng på. LoRA (Low-Rank Adaptation) gør det muligt at tilpasse modellen hurtigt til nye stilarter eller opgaver uden at skulle træne alt fra bunden. Det er smart, hvis du vil have billeder, der matcher din organisations visuelle identitet.

ControlNet er et ekstra lag, hvor du kan styre layoutet af billedet – fx ved at tegne en skitse eller bruge kantdetektion. Vi har set det brugt i praksis til at lave præcise illustrationer af bygninger ud fra plantegninger. Inpainting betyder, at du kan ændre dele af et billede uden at røre resten – fx hvis du vil tilføje et skilt på en facade uden at ødelægge baggrunden.

Et konkret kodeeksempel: Du laver en kantdetekteret version af en skitse, fodrer den til ControlNet sammen med en tekstbeskrivelse, og får et billede, hvor layoutet følger din skitse, men stilen og detaljerne kommer fra AI’en. Det er faktisk ret vildt at se i praksis.

Didaktiske og organisatoriske muligheder

For undervisere åbner det for helt nye opgaver. Elever kan lave visuelle fortællinger, hvor de både skriver og “illustrerer” deres historier. Det giver en anden form for ejerskab og refleksion. Vi har set gymnasieklasser, hvor eleverne lavede billedserier til danskfaget – og det var ikke kun de kreative elever, der blomstrede.

I det offentlige kan man bruge teknologien til at gøre borgerkommunikation mere visuel og tilgængelig. Forestil dig, at en kommune kan generere billeder, der forklarer nye regler eller processer på en måde, alle kan forstå. Men – og det er vigtigt – man skal overveje datasikkerhed, etik og skalerbarhed. Vi har lavet en lille tjekliste:

• Er der følsomme data i prompts eller billeder?
• Er outputtet egnet til offentlig brug?
• Kan løsningen skaleres, hvis flere afdelinger vil bruge den?

Cases fra virkeligheden: Hvad virker, og hvad overrasker?

En gymnasieklasse brugte Stable Diffusion til at lave visuelle fortællinger om klimaforandringer. Det, der overraskede læreren, var, at de stille elever pludselig deltog mere aktivt – de kunne udtrykke sig visuelt, hvor de normalt ikke sagde så meget.

I en kommune lavede vi et workflow, hvor borgerbreve fik illustrationer genereret automatisk. Det sparede tid, men vi blev overraskede over, hvor meget tid der gik med at tjekke, at billederne ikke var “for kreative”. Nogle gange lavede AI’en billeder, der var lidt for fantasifulde til formålet. Det er en balance.

Faldgruber og vores bedste råd

De typiske fejl? At overse afhængigheder (især versionsnumre), at undervurdere hardwarekrav (CPU er bare ikke nok), og at glemme datasikkerhed. Vi har set projekter gå i stå, fordi nogen opdaterede et bibliotek uden at teste først. Og så er der det med etik: AI kan finde på at generere billeder, der ikke er egnede til offentlig brug. Tjek altid outputtet.

Vores anbefalinger:

• Start småt – lav en prototype før du ruller ud til hele organisationen.
• Få styr på versionsstyring og dokumentation.
• Involver både it og fagpersonale fra starten.
• Brug de officielle guides fra HuggingFace – og spørg i deres forum, hvis du sidder fast.

Der er masser af ressourcer, men vi gider ikke nævne dem alle her – søg på HuggingFace Diffusers docs, og du er godt kørende.

Hvad kan du opnå – og hvorfor skal du prøve?

Hvis du tør eksperimentere, kan du med Diffusers skabe billeder, der både er relevante, flotte og tilpasset din kontekst. Det er ikke kun for udviklere – alle med lidt teknisk snilde kan være med. Og det er faktisk sjovt at se, hvor hurtigt man kan gå fra idé til billede.

Mit råd? Prøv selv. Del dine erfaringer med kolleger eller elever. Man opdager først forskellen, når man sidder med det i hænderne – og det er dér, det begynder at give mening.

Kilder:

• https://www.marktechpost.com/2026/02/20/a-coding-guide-to-high-quality-image-generation-control-and-editing-using-huggingface-diffusers/
• https://www.marktechpost.com/2026/02/20/a-coding-guide-to-high-quality-image-generation-control-and-editing-using-huggingface-diffusers/
• https://huggingface.co/docs/diffusers/main/en/api/schedulers/unipc
• https://huggingface.co/lllyasviel/sd-controlnet-canny
• https://github.com/luosiallen/latent-consistency-model
• https://www.reddit.com/r/comfyui/comments/177m1if/best_simple_sdxl_inpaint_workflow/

Målgruppens mening om artiklen

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.