Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Vision: Analýza obrázků s modelem Grok

Lekce 7 z 12 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Rozumění obrázkům pomocí Chat Completions
  2. Odeslání obrázku přes URL
  3. Odeslání obrázku v kódování Base64
  4. Úrovně detailu: auto, low a high
  5. Analýza více obrázků
  6. Technická omezení
  7. Klíčové poznatky

Rozumění obrázkům pomocí Chat Completions

Modely Grok (od verze grok-4.5) zahrnují funkce pro práci se zrakem (vision), které ti umožňují analyzovat, popisovat a vyvozovat závěry z obrázků. Tuto funkci využíváš prostřednictvím formátu pole v poli content, kde kombinuješ objekty text a image_url.

Použití je mnohostranné: extrakce textu ze skenovaných dokumentů (OCR), analýza grafů, popis uživatelských rozhraní, vizuální porovnávání nebo interpretace technických diagramů.

Odeslání obrázku přes URL

Nejjednodušší způsob je poskytnout veřejnou URL adresu obrázku:

from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe what you see in this image."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/photo-architecture.jpg",
                        "detail": "high"
                    }
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Servery xAI stáhnou obrázek v okamžiku žádosti. Musí být veřejně přístupný.

Odeslání obrázku v kódování Base64

Pro lokální nebo soukromé obrázky použij kódování base64:

import base64

def encode_image(image_path: str) -> str:
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

image_data = encode_image("capture-ecran.png")

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "What text is visible in this screenshot?"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_data}"
                    }
                }
            ]
        }
    ]
)

Formát URL je data:image/{format};base64,{data}, kde {format} je jpeg, jpg nebo png.

Úrovně detailu: auto, low a high

Parametr detail řídí rozlišení, ve kterém model obrázek analyzuje:

detail: “low”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/icone.png",
    "detail": "low"
  }
}

Obrázek je před analýzou zmenšen na nízké rozlišení. Toto je nejrychlejší režim a stojí nejméně tokenů. Použij jej pro jednoduché obrázky: ikony, loga, základní diagramy.

detail: “high”

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/document-scan.jpg",
    "detail": "high"
  }
}

Obrázek je analyzován ve vysokém rozlišení. Model dokáže číst malý text, identifikovat jemné detaily a analyzovat konkrétní oblasti. Toto je doporučený režim pro dokumenty, snímky obrazovky a detailní fotografie.

detail: “auto”

Model automaticky zvolí úroveň detailu na základě velikosti a složitosti obrázku. Toto je výchozí hodnota, pokud parametr vynecháš.

Analýza více obrázků

Můžeš odeslat více obrázků v jedné zprávě pro účely porovnání nebo křížové analýzy:

response = client.chat.completions.create(
    model="grok-4.20-0309-reasoning",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Compare these two versions of the design. What are the differences?"},
                {"type": "image_url", "image_url": {"url": "https://example.com/v1.png", "detail": "high"}},
                {"type": "image_url", "image_url": {"url": "https://example.com/v2.png", "detail": "high"}}
            ]
        }
    ]
)

Počet obrázků na žádost není omezen, ale každý obrázek spotřebuje další tokeny.

Technická omezení

Při používání funkce vision měj na paměti následující limity:

  • Maximální velikost: 20 MiB na obrázek
  • Podporované formáty: Pouze JPG, JPEG a PNG
  • Kompatibilní modely: grok-4 a vyšší (starší modely nepodporují vision)
  • Tokeny: Obrázky spotřebovávají tokeny, které se přičítají k ceně textové části žádosti

Klíčové poznatky

  • Vision využívá formát pole v poli content s objekty image_url
  • Obrázky lze odeslat přes veřejnou URL nebo zakódovat v base64
  • Tři úrovně detailu: auto (výchozí), low (rychlé/úsporné) a high (detailní)
  • Maximální velikost 20 MiB na obrázek, pouze formáty JPG a PNG
  • Pro porovnání lze v jedné zprávě odeslat více obrázků