Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Variace a iterace

Lekce 5 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Variace a iterace
  2. Generování variací stejného konceptu
  3. Variace úpravou promptu
  4. Iterace zpřesňováním promptu
  5. Automatizovaný iterační pipeline
  6. Porovnávání variací v katalogu
  7. Disciplína iterace

Aktualizováno 2. listopadu 2026 — Modely pro generování obrázků. Model gpt-image-1, pro který byl tento kurz původně napsán, byl ukončen 23. října 2026. Dále budou modely gpt-image-1.5, gpt-image-1-mini a chatgpt-image-latest vyřazeny z provozu 1. prosince 2026. Příklady nyní využívají model gpt-image-2.5-sunburst, který nabízí nejvyšší přesnost pro úpravy; model gpt-image-2.5-flare je rychlejší pro standardní generování. Obě modely také podporují nastavení kvality xhigh a max. Modely GPT Image vždy vracejí obrázky v formátu base64: parametr response_format ze starších modelů DALL·E již není přijímán a byl z kódu odstraněn. Zdroj: Generování obrázků (OpenAI).

Variace a iterace

Trefit dokonalý obrázek na první pokus je vzácné. Reálná práce spočívá v generování variací, jejich porovnávání a postupném zpřesňování promptu, dokud nedosáhneš požadovaného výsledku. Tato lekce ti poskytne tři nástroje pro tuto metodu: variaci opětovným spuštěním, variaci úpravou promptu a iteraci prostřednictvím postupného zpřesňování.

Generování variací stejného konceptu

Nejjednodušší metodou je znovu spustit generování se stejným promptem: GPT Image pokaždé vytvoří jiný výsledek. To je užitečné na začátku průzkumu, kdy ještě přesně nevíš, co hledáš, a chceš vidět rozsah možných interpretací dané myšlenky.

from openai import OpenAI
import base64

client = OpenAI()

def generate_variations(prompt: str, n_variations: int, prefix: str):
    """Vygeneruje několik nezávislých variací stejného promptu."""
    paths = []
    for i in range(n_variations):
        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="medium",
        )

        path = f"{prefix}_v{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Variace {i+1} uložena: {path}")

    return paths


variations = generate_variations(
    prompt="Ilustrace zahradnického robota zalévajícího květiny, dětský a barevný styl",
    n_variations=5,
    prefix="zahradni_robot"
)

Variace úpravou promptu

Předchozí přístup tě nechává napospas náhodě; tento ti dává kontrolu. Zafixuješ neměnný předmět – zde šálek kouřící kávy na dřevěném stole – a měníš pouze jednu dimenzi: náladu. Pět výsledků je pak porovnatelných, protože přesně víš, co je odlišuje. To je rozdíl mezi pěti pokusy a experimentem.

from openai import OpenAI
import base64

client = OpenAI()

base_prompt = "Šálek kouřící kávy na dřevěném stole"

nady = [
    "jemné ranní světlo, teplé tóny",
    "atmosféra pařížské kavárny, černobílá",
    "styl pop-art, syté barvy",
    "skandinávský minimalismus, bílé pozadí",
    "útulná zimní atmosféra, bokeh světelné girlandy",
]

for i, nalada in enumerate(nady):
    prompt = f"{base_prompt}, {nalada}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium",
    )

    path = f"kavarna_nalada_{i+1}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Nálada: {nalada[:30]}... → {path}")

Iterace zpřesňováním promptu

Když výsledek není uspokojivý, správnou reakcí není znovu spustit generování a doufat v lepší štěstí, ale přidat chybějící omezení. Následující série ukazuje tento postup na konkrétním příkladu: „Logo pro fintech startup“ modelu nic neříká; druhá iterace ohraničuje počet barev a pozadí; třetí pojmenovává vizuální metaforu a paletu; čtvrtá jde až k hex kódům a tloušťce čar. S každým průchodem se prostor možných výsledků zužuje a reprodukovatelnost roste.

from openai import OpenAI
import base64

client = OpenAI()

iterace = [
    # Iterace 1: základní prompt
    "Logo pro fintech startup",

    # Iterace 2: přidání vizuálních omezení
    "Logo pro fintech startup, minimalistický design, maximálně dvě barvy, průhledné pozadí",

    # Iterace 3: upřesnění stylu
    (
        "Minimalistické logo pro fintech startup, abstraktní geometrická ikona "
        "evokující růst, paleta námořnické modři a smaragdově zelené, žádný text, vektorový styl"
    ),

    # Iterace 4: jemné úpravy
    (
        "Minimalistické logo pro fintech startup, abstraktní geometrická ikona: "
        "dvě propojené šipky tvořící kosočtverec, námořnická modř (#1B2A4A) a "
        "smaragdově zelená (#2ECC71), tenký obrys 2 px, bílé pozadí, ostrý vektorový render, vycentrováno"
    ),
]

for i, prompt in enumerate(iterace):
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    path = f"logo_iterace_{i+1}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Iterace {i+1}: {prompt[:60]}...")
    print(f"  → {path}\n")

Automatizovaný iterační pipeline

U trochu delších projektů lidská paměť nestačí: po patnácti obrázcích už nevíš, který prompt vytvořil který výsledek. Následující pipeline strukturuje práci do kol, generuje několik variant na kolo, pojmenovává soubory tak, aby byly dohledatelné, a uchovává kompletní historii promptů v souboru JSON. Právě tento historický soubor dělá celé nastavení cenným: umožňuje se vracet zpět a těžit z experience z jednoho projektu do druhého.

from openai import OpenAI
import base64
import json

client = OpenAI()

def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
    """
    Itérační pipeline: generuje několik variant na kolo,
    uchovává historii promptů a výsledků.
    """
    history = []
    current_prompt = brief

    for round_num in range(1, n_rounds + 1):
        print(f"\n{'='*50}")
        print(f"KOLO {round_num} — Prompt: {current_prompt[:80]}...")
        print(f"{'='*50}")

        round_images = []
        for i in range(n_per_round):
            response = client.images.generate(
                model="gpt-image-2.5-sunburst",
                prompt=current_prompt,
                size="1024x1024",
                quality="medium",
            )

            path = f"pipeline_k{round_num}_v{i+1}.png"
            data = base64.b64decode(response.data[0].b64_json)
            with open(path, "wb") as f:
                f.write(data)
            round_images.append(path)
            print(f"  Varianta {i+1}: {path}")

        history.append({
            "kolo": round_num,
            "prompt": current_prompt,
            "obrazky": round_images
        })

        # Zpřesnění promptu pro další kolo
        if round_num < n_rounds:
            current_prompt += ", více detailů, lepší kompozice"

    # Uložení historie
    with open("pipeline_historie.json", "w") as f:
        json.dump(history, f, indent=2, ensure_ascii=False)

    print(f"\nHistorie uložena: pipeline_historie.json")
    return history


iteration_pipeline(
    brief="Ilustrace nezávislého knihkupectví zvenčí, podzimní večer, styl Ghibli",
    n_rounds=3,
    n_per_round=3
)

Porovnávání variací v katalogu

Otevírat devět PNG souborů jeden po druhém ve prohlížeči neumožňuje žádné seriózní porovnání. Místo toho vygeneruj HTML stránku, která je zobrazí vedle sebe, s obrázky zakódovanými v base64, aby byl soubor soběstačný a šel takto přímo sdílet s klientem nebo art directorem.

import base64
from pathlib import Path
from glob import glob

def generate_catalog(images: list[str], title: str, output: str = "katalog.html"):
    """Vytvoří HTML stránku se všemi obrázky vedle sebe."""
    html_parts = [
        '<!DOCTYPE html><html><head><meta charset="utf-8">',
        f'<title>{title}</title>',
        '<style>',
        'body { background: #111; color: #fff; font-family: sans-serif; padding: 2rem; }',
        '.grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(300px, 1fr)); gap: 1rem; }',
        '.card { background: #222; border-radius: 8px; overflow: hidden; }',
        '.card img { width: 100%; display: block; }',
        '.card p { padding: 0.5rem 1rem; font-size: 0.85rem; color: #aaa; }',
        '</style></head><body>',
        f'<h1>{title}</h1><div class="grid">',
    ]

    for img_path in images:
        with open(img_path, "rb") as f:
            b64 = base64.b64encode(f.read()).decode()
        html_parts.append(f'<div class="card">')
        html_parts.append(f'<img src="data:image/png;base64,{b64}" />')
        html_parts.append(f'<p>{Path(img_path).name}</p></div>')

    html_parts.append('</div></body></html>')

    with open(output, "w") as f:
        f.write("\n".join(html_parts))
    print(f"Katalog vygenerován: {output}")


images = sorted(glob("pipeline_k*_v*.png"))
generate_catalog(images, "Variace — Knihkupectví Ghibli")

Disciplína iterace

Několik principů odděluje produktivní iteraci od nákladného pokusu a omylu. Měň vždy pouze jeden parametr, jinak nikdy nezjistíš, který z nich výsledek zlepšil. Uchovávej historii svých promptů a renderů, jak to dělá výše uvedená pipeline, abys mohl těžit z experience místo toho, abys u každého projektu začínal od nuly. Během celé fáze průzkumu pracuj s quality: low a na high přepni až pro finální render, jinak zaplatíš balík za obrázky, které stejně vyhodíš. Když hledáš pouze rychlou diverzitu, upřednostni jediné volání s parametrem n před smyčkou požadavků. Nakonec pojmenovávej své soubory popisně: první den je to triviální detail, po dvou stovkách obrázků rozhodující faktor.

Nyní aplikuj tuto celou sekvenci na téma dle tvého výběru – logo, ilustraci nebo produktovou fotografii. Vygeneruj tři varianty s počátečním promptem, uprav tento prompt na základě výsledků, vygeneruj tři nové varianty a následně vytvoř srovnávací HTML katalog všech šesti obrázků.