Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Billedbeskrivelse

Lektion 5 af 12 Opdateret 30. juli 2026 Begynder
På denne side
  1. Udtræk indsigt fra dine billeder
  2. Generel beskrivelse
  3. Struktureret beskrivelse
  4. Eksempel: Produktsider til e-handel
  5. Eksempel: Alternativ tekst (tilgængelighed)
  6. Eksempel: Indholdsmoderering
  7. Bedste praksis for beskrivelse
  8. Vigtige pointer

Udtræk indsigt fra dine billeder

Grok OCR - tekstudtræk fra et billede Billedbeskrivelse er det mest naturlige anvendelsestilfælde for Groks multimodale vision. Du sender et billede, stiller et spørgsmål, og modellen returnerer en detaljeret tekstanalyse. Selvom det virker simpelt, åbner denne funktion op for betydelige muligheder i produktion.

E-handel
Automatiske produktsider
Tilgængelighed
Automatisk alt-tekst
Moderering
Filtrering af indhold
Katalog
Automatisk indeksering

Generel beskrivelse

Den enkleste forespørgsel er at bede om en fri beskrivelse:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": url_image},
        {"type": "input_text", "text": "Describe this image in detail."}
    ]
)

Modellen identificerer nøgleelementer (objekter, personer, tekst, farver, komposition) og producerer et beskrivende afsnit. For de fleste billeder er auto-tilstanden tilstrækkelig.

Struktureret beskrivelse

I produktion er frie beskrivelser sjældent brugbare. Du vil gerne guide modellen med en struktureret prompt:

prompt = """Analyze this image and return a JSON with:
- "subject": the main subject in one sentence
- "objects": list of identified objects
- "dominant_colors": the 3 main colors
- "mood": the general mood (bright, dark, warm, etc.)
- "visible_text": any text readable in the image
"""

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": url_image},
        {"type": "input_text", "text": prompt}
    ]
)

Dette format er klar til brug i din applikation til at udfylde en database, søgemaskine eller et katalog.

Eksempel: Produktsider til e-handel

Et meget efterspurgt anvendelsestilfælde er automatisk generering af produktbeskrivelser ud fra fotos:

def generate_product_sheet(image_url):
    prompt = """You are an expert e-commerce copywriter. Based on this
product photo, generate:

1. A catchy product title (max 80 characters)
2. A marketing description (2-3 sentences)
3. Visible features (material, color, shape)
4. Relevant SEO keywords (5 maximum)

Respond in JSON."""

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

Ved at bruge detail: "high" fanger modellen fine produktdetaljer (teksturer, etiketter, overfladebehandling), som beriger beskrivelsen.

Eksempel: Alternativ tekst (tilgængelighed)

Automatisk generering af alt-attributter til dit websteds billeder forbedrer tilgængeligheden og SEO:

def generate_alt_text(image_url):
    prompt = """Generate alternative text (alt attribute) for this
web image. The text must:
- Be concise (max 125 characters)
- Describe the content, not the style
- Not start with "Image of" or "Photo of"
- Be useful for a screen reader

Return only the alt text, without quotes."""

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

low-tilstanden er tilstrækkelig her, fordi alternativ tekst er en generel beskrivelse og ikke en finmasket analyse.

Eksempel: Indholdsmoderering

Du kan bruge vision til automatisk at filtrere billeder, som dine brugere uploader:

def moderate_image(image_url):
    prompt = """Analyze this image and classify it:
- "safe": content appropriate for all audiences
- "warning": sensitive content but not prohibited
- "reject": inappropriate content

Return a JSON with "classification" and "reason"."""

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

Bedste praksis for beskrivelse

  • Vær præcis i din prompt: „Beskriv dette billede” giver vage resultater. „Identificér produkter, farver og synlig tekst” er langt mere effektivt.
  • Anmod om et struktureret format (JSON, liste) for at lette automatisk behandling.
  • Juster detaljeniveauet efter behovet: low til klassificering, high til fin analyse.
  • Brug store: false for følsomme billeder eller billeder omfattet af GDPR.

Vigtige pointer

  • Billedbeskrivelse er det fundamentale anvendelsestilfælde for Grok vision.
  • Strukturér dine prompts for at få brugbare svar (JSON, lister).
  • Justér parameteren detail til det krævede præcisionsniveau.
  • Almindelige anvendelser inkluderer e-handel, tilgængelighed og moderering.
  • Husk store: false for følsomme data.