Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Porovnání více obrázků

Lekce 8 z 12 Aktualizováno 30. července 2026 Začátečník
Na této stránce
  1. Analýza více obrázků v jediném požadavku
  2. Struktura požadavku pro více obrázků
  3. Případ využití: Srovnání před a po
  4. Případ využití: Sledování vývoje v čase
  5. Případ využití: Kontrola kvality
  6. Případ využití: Konkurenční analýza
  7. Optimalizace požadavků pro více obrázků
  8. Klíčové poznatky

Analýza více obrázků v jediném požadavku

Jednou z klíčových silných stránek Grok Vision je schopnost odeslat v jediném požadavku neomezený počet obrázků. To otevírá jedinečné možnosti pro srovnávání, sledování vývoje v čase a křížovou analýzu, které API pracující pouze s jedním obrázkem nabídnout nemohou.

Struktura požadavku pro více obrázků

Formát je jednoduchý: do pole input přidej tolik objektů input_image, kolik potřebuješ, a prokládej je textem, který řídí analýzu:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Obrázek A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Obrázek B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Podrobně porovnej tyto dva obrázky."}
    ]
)

Popis každého obrázku textem („Obrázek A“, „Obrázek B“) pomáhá modelu strukturovat odpověď a jasně odkazovat na konkrétní snímky.

Případ využití: Srovnání před a po

Ideální pro sledování projektů, rekonstrukce, design nebo kontrolu kvality:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Porovnej tyto dva obrázky (před a po) a identifikuj:

1. Hlavní změny
2. Prvky, které se nezměnily
3. Viditelná vylepšení
4. Jakékoli potenciální problémy, které vznikly

Svou odpověď prezentuj jako strukturovaný seznam."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "PŘED:"},
            {"type": "input_image", "image_url": url_avant, "detail": "high"},
            {"type": "input_text", "text": "PO:"},
            {"type": "input_image", "image_url": url_apres, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Případ využití: Sledování vývoje v čase

Sleduj vývoj lokality, produktu nebo procesu v čase:

def analyser_evolution(images_chronologiques):
    """images_chronologiques: seznam {"url": ..., "date": ...}"""
    input_data = []

    for img in images_chronologiques:
        input_data.append({
            "type": "input_text",
            "text": f"Fotografie ze dne {img['date']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": img["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Analyzuj chronologický vývoj viditelný na
těchto obrázcích. Identifikuj postupné změny, trendy
a jakékoli pozoruhodné události mezi jednotlivými daty."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Případ využití: Kontrola kvality

Porovnej vyrobený produkt s jeho referenčním modelem:

def controle_qualite(url_reference, url_produit):
    prompt = """Porovnej vyfocený produkt s referenčním modelem.

Identifikuj:
1. Shodu (co odpovídá modelu)
2. Neshodu (odchylky, vady, rozdíly)
3. Závažnost každé neshody (malá, velká, kritická)

Vrať JSON ve formátu:
{
  "compliant": true/false,
  "score": 0-100,
  "compliances": [...],
  "non_compliances": [
    {"description": "...", "severity": "minor|major|critical"}
  ]
}"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "REFERENCE (očekávaný model):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUKT ke kontrole:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Případ využití: Konkurenční analýza

Porovnej rozhraní, obaly nebo prezentace produktů od konkurence:

def analyser_concurrence(images_concurrents):
    """images_concurrents: [{"brand": "...", "url": "..."}]"""
    input_data = []

    for concurrent in images_concurrents:
        input_data.append({
            "type": "input_text",
            "text": f"{concurrent['brand']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": concurrent["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Porovnej tyto produkty/rozhraní konkurence.
Pro každý z nich identifikuj vizuální silné a slabé stránky.
Poskytni doporučení pro posicionování."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Optimalizace požadavků pro více obrázků

Když odešleš mnoho obrázků, spotřeba tokenů rychle roste. Zde je několik strategií optimalizace:

Úprava úrovně detailu

Použij low pro obecná srovnání a high pouze při analýze jemných detailů:

# Obecné srovnání: low stačí
detail = "low"  # ~256 tokenů na obrázek

# Analýza vad: vyžadováno high
detail = "high"  # ~1024-1792 tokenů na obrázek

Omezení počtu obrázků na požadavek

I když neexistuje pevný limit, při více než 10–15 obrázcích může kvalita analýzy klesnout. Model má konečný kontext a musí jej rozdělit mezi všechny obrázky:

# Pokud je více než 10 obrázků, zpracuj je v dávkách
def analyser_par_lots(images, taille_lot=10):
    resultats = []
    for i in range(0, len(images), taille_lot):
        lot = images[i:i + taille_lot]
        resultat = analyser_lot(lot)
        resultats.append(resultat)
    return fusionner_resultats(resultats)

Změna velikosti obrázků

Pokud porovnáváš fotografie s vysokým rozlišením pro obecnou analýzu, před odesláním je zmenši, abys snížil počet tokenů:

def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
    img = Image.open(chemin)
    img.thumbnail(taille_max)
    # ... zakódování do base64

Klíčové poznatky

  • Počet obrázků na požadavek je neomezený – to je klíčová výhoda API xAI
  • Každý obrázek popiš textem, abys strukturoval analýzu
  • Přizpůsob parametr detail typu srovnání
  • Při více než 10–15 obrázcích zpracovávej data v dávkách, abys udržel kvalitu
  • Mezi příklady využití patří: srovnání před a po, sledování vývoje v čase, kontrola kvality a konkurenční analýza