Variace a iterace
Na této stránce
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 modelygpt-image-1.5,gpt-image-1-miniachatgpt-image-latestvyřazeny z provozu 1. prosince 2026. Příklady nyní využívají modelgpt-image-2.5-sunburst, který nabízí nejvyšší přesnost pro úpravy; modelgpt-image-2.5-flareje rychlejší pro standardní generování. Obě modely také podporují nastavení kvalityxhighamax. Modely GPT Image vždy vracejí obrázky v formátu base64: parametrresponse_formatze 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.