Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Odeslání více obrázků v jedné zprávě

Lekce 6 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Analýza více obrázků najednou
  2. Struktura zprávy s více obrázky
  3. Příklad: Porovnání dvou obrázků
  4. Prokládání textu a obrázků
  5. Dávkové zpracování s Base64
  6. Limity volání s více obrázky
  7. Strategie pro velké objemy
  8. Klíčové poznatky

Analýza více obrázků najednou

Vision API od Mistralu se neomezuje jen na jeden obrázek na zprávu. V jediném volání můžeš odeslat více obrázků a požádat model, aby je porovnal, syntetizoval nebo analyzoval dohromady. Rozdíl oproti dvěma samostatným voláním je zásadní: při jediném volání model vidí oba obrázky současně a dokáže uvažovat o jejich vzájemných vztazích – čehož žádná agregace jednotlivých odpovědí nedosáhne.

Tato schopnost otevírá použití tam, kde se otázka zaměřuje spíše na rozdíl než na obsah: porovnání před/po, analýza sérií dokumentů nebo vizuální kontroly shody.

Struktura zprávy s více obrázky

Princip je jednoduchý: do pole content přidej více položek image_url:

message = {
    "role": "user",
    "content": [
        {"type": "text", "text": "Porovnej tyto dva obrázky a popiš rozdíly."},
        {"type": "image_url", "image_url": "https://example.com/image1.jpg"},
        {"type": "image_url", "image_url": "https://example.com/image2.jpg"}
    ]
}

Homogenita není nutná: ve stejné zprávě můžeš kombinovat obrázky přes URL i ve formátu Base64. To je běžné, když potřebuješ porovnat hostovaný referenční obrázek s čerstvě vygenerovaným lokálním souborem.

Příklad: Porovnání dvou obrázků

Představ si kontrolu při příjmu zboží ve skladu. Porovnáš referenční fotografii správného produktu s fotografií přijatého vzorku pomocí systémové prompty, která stanoví roli inspektora:

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "Jsi expert na kontrolu kvality. S přesností porovnej poskytnuté obrázky."
        },
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Zde jsou dvě fotografie stejného produktu. První je referenční, druhá je přijatý vzorek. Identifikuj všechny rozdíly."
                },
                {"type": "image_url", "image_url": "https://example.com/reference.jpg"},
                {"type": "image_url", "image_url": "https://example.com/sample.jpg"}
            ]
        }
    ]
)

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

Text explicitně uvádí pořadí – „první je referenční“ – protože model ho nemůže uhodnout.

Prokládání textu a obrázků

Tento přístup založený na pořadí rychle narazí na své limity, pokud máš více než dva obrázky. Robustnější metodou je označit každý obrázek těsně před jeho poskytnutím střídáním prvků text a image_url:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Zde je původní architektonický plán:"},
                {"type": "image_url", "image_url": "https://example.com/plan-original.png"},
                {"type": "text", "text": "A zde je fotografie postavené budovy:"},
                {"type": "image_url", "image_url": "https://example.com/photo-batiment.jpg"},
                {"type": "text", "text": "Odpovídá budova plánu? Vypiš nesrovnalosti."}
            ]
        }
    ]
)

Každý obrázek nyní nese vlastní popisek a závěrečná otázka přijde až po předložení veškerého materiálu. Tento formát výrazně zlepšuje pochopení modelem: ví, že plán je standardem a fotografie objektem k vyhodnocení. Jejich prohození by vedlo k převrácenému reportu o nesrovnalostech.

Dávkové zpracování s Base64

Pro složku s lokálními obrázky se sestavování pole content stává programatickým. Seznam sestavíš v cyklu a každý soubor zakóduješ za běhu:

import base64
import os
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def encode_image(path):
    with open(path, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    ext = Path(path).suffix.lower()
    mime = {"jpg": "jpeg", "jpeg": "jpeg", "png": "png", "webp": "webp"}.get(ext.lstrip("."), "jpeg")
    return f"data:image/{mime};base64,{b64}"

# Načtení všech obrázků ze složky
folder = Path("captures/")
images = sorted(folder.glob("*.png"))

# Sestavení obsahu zprávy
content = [{"type": "text", "text": f"Analyzuj těchto {len(images)} snímků obrazovky a shrň společné prvky."}]
for img in images[:5]:  # Omezení na max. 5 obrázků
    content.append({"type": "image_url", "image_url": encode_image(img)})

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[{"role": "user", "content": content}]
)

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

Výřez images[:5] slouží jako bezpečnostní pojistka skriptu. Bez něj by se složka obsahující dvě stě snímků obrazovky celá poslala v jediném volání – s důsledky popsanými níže.

Limity volání s více obrázky

Neexistuje žádný přísný dokumentovaný limit na počet obrázků, ale při překročení pěti až deseti se kombinují dva efekty: kvalita analýzy klesá, protože se pozornost modelu rozptyluje mezi obrázky, a náklady na tokeny prudce rostou. Pamatuj na řádové velikosti z lekce 2: každý obrázek spotřebuje 800 až 1 500 tokenů, takže pět obrázků už představuje 5 000 až 7 500 tokenů promptu, než vůbec začneš klást otázku. Celkový součet – obrázky, text a odpověď – se musí také vejít do kontextového okna modelu, což je strop, kterého dávka obrázků dosáhne mnohem rychleji než textový dokument.

Tato funkce spočítá fakturu před voláním, nikoliv až po něm:

def estimate_multi_image_cost(num_images, tokens_per_image=1000, text_tokens=100, response_tokens=500):
    """Odhad celkového počtu tokenů pro volání s více obrázky."""
    total_input = (num_images * tokens_per_image) + text_tokens
    total = total_input + response_tokens

    print(f"Obrázky: {num_images} x {tokens_per_image} = {num_images * tokens_per_image} tokenů")
    print(f"Text promptu: {text_tokens} tokenů")
    print(f"Odhadovaná odpověď: {response_tokens} tokenů")
    print(f"Odhadovaný celkem: {total} tokenů")
    return total

estimate_multi_image_cost(3)
# Obrázky: 3 x 1000 = 3000 tokenů
# Text promptu: 100 tokenů
# Odhadovaná odpověď: 500 tokenů
# Odhadovaný celkem: 3600 tokenů

Strategie pro velké objemy

Při práci s více než pěti obrázky změň přístup místo toho, abys tlačil na pilu. Existují tři cesty, které se často kombinují. Sekvenční analýza zpracovává obrázky jeden po druhém a následně agreguje výsledky – náklady zůstávají lineární a přesnost na jednotlivý obrázek je maximální. Dávkové seskupování odesílá balíčky tří až pěti obrázků, čímž zachovává určitou možnost porovnání uvnitř balíčku. Předfiltrování nakonec využívá lehčí model, jako je Small, k vyřazení irelevantních obrázků před předáním důležitých případů modelu Large.

První cesta vypadá takto, přičemž závěrečná syntéza pracuje pouze s textem:

# Sekvenční analýza s agregací
results = []
for img_path in images:
    response = client.chat.complete(
        model="mistral-small-latest",
        messages=[{
            "role": "user",
            "content": [
                {"type": "text", "text": "Stručně popiš obsah tohoto obrázku."},
                {"type": "image_url", "image_url": encode_image(img_path)}
            ]
        }]
    )
    results.append(response.choices[0].message.content)

# Závěrečná syntéza (pouze text)
synthesis = client.chat.complete(
    model="mistral-small-latest",
    messages=[{
        "role": "user",
        "content": f"Zde jsou popisy {len(results)} obrázků:\n\n" +
                   "\n---\n".join(results) +
                   "\n\nPoskytni globální syntézu."
    }]
)

Fígl spočívá ve druhém volání: neobsahuje žádné obrázky, tedy žádné vizuální tokeny. Syntetizuješ padesát obrázků za cenu několika stovek textových tokenů.

Klíčové poznatky

  • V jedné zprávě můžeš odeslat více obrázků přidáním více prvků image_url
  • Prokládej text mezi obrázky, abys modelu poskytl kontext
  • Každý obrázek přidá 800–1500 tokenů – před voláním si odhadni náklady
  • Při více než 5 obrázcích upřednostni sekvenční nebo dávkovou strategii
  • Ve stejné zprávě můžeš kombinovat URL i Base64