Описание на изображения
На тази страница
Извличане на прозрения от Вашите изображения
Описанието на изображения е най-естественият сценарий на употреба за мултимодалното зрение на Grok. Изпращате изображение, задавате въпрос и моделът връща детайлен текстов анализ. Въпреки привидната си простота, тази възможност отваря значителни перспективи за производствена среда.
Общо описание
Най-простата заявка е да поискате описание в свободен формат:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url_image},
{"type": "input_text", "text": "Describe this image in detail."}
]
)
Моделът идентифицира ключовите елементи (обекти, хора, текст, цветове, композиция) и генерира описателен параграф. За повечето изображения режимът auto е напълно достатъчен.
Структурирано описание
В производствена среда описанията в свободен формат рядко са полезни. Ще искате да насочите модела чрез структурирана подкана:
prompt = """Analyze this image and return a JSON with:
- "subject": the main subject in one sentence
- "objects": list of identified objects
- "dominant_colors": the 3 main colors
- "mood": the general mood (bright, dark, warm, etc.)
- "visible_text": any text readable in the image
"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url_image},
{"type": "input_text", "text": prompt}
]
)
Този формат е готов за употреба във Вашето приложение за попълване на база данни, търсачка или каталог.
Пример: Продуктови карти за електронна търговия
Един от най-търсените сценарии е автоматичното генериране на продуктови описания от снимки:
def generate_product_sheet(image_url):
prompt = """You are an expert e-commerce copywriter. Based on this
product photo, generate:
1. A catchy product title (max 80 characters)
2. A marketing description (2-3 sentences)
3. Visible features (material, color, shape)
4. Relevant SEO keywords (5 maximum)
Respond in JSON."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Използвайки detail: "high", моделът улавя фини продуктови детайли (текстури, етикети, довършителни обработки), които обогатяват описанието.
Пример: Алтернативен текст (Достъпност)
Автоматичното генериране на атрибути alt за изображенията на Вашия сайт подобрява достъпността и SEO:
def generate_alt_text(image_url):
prompt = """Generate alternative text (alt attribute) for this
web image. The text must:
- Be concise (max 125 characters)
- Describe the content, not the style
- Not start with "Image of" or "Photo of"
- Be useful for a screen reader
Return only the alt text, without quotes."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "low"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Режимът low е достатъчен тук, тъй като алтернативният текст представлява общо описание, а не детайлен анализ.
Пример: Модерация на съдържание
Можете да използвате зрението, за да филтрирате автоматично изображения, качени от Вашите потребители:
def moderate_image(image_url):
prompt = """Analyze this image and classify it:
- "safe": content appropriate for all audiences
- "warning": sensitive content but not prohibited
- "reject": inappropriate content
Return a JSON with "classification" and "reason"."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "auto"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Най-добри практики за описание
- Бъдете прецизни в подканата си: „Опишете това изображение“ води до неясни резултати. „Идентифицирайте продуктите, цветовете и видимия текст“ е много по-ефективно.
- Поискайте структуриран формат (JSON, списък), за да улесните автоматичната обработка.
- Настройте нивото на детайлност според нуждата:
lowза класификация,highза фин анализ. - Използвайте
store: falseза чувствителни изображения или такива, подлежащи на GDPR.
Ключови изводи
- Описанието на изображения е фундаменталният сценарий на употреба за зрението на Grok.
- Структурирайте подканите си, за да получите използваеми отговори (JSON, списъци).
- Настройте параметъра
detailспоред необходимото ниво на прецизност. - Честите приложения включват електронна търговия, достъпност и модерация.
- Не забравяйте
store: falseза чувствителни данни.