Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Έλεγχος ποιότητας, στυλ και ανάλυσης

Μάθημα 4 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Έλεγχος ποιότητας, στυλ και ανάλυσης
  2. Επίπεδα ποιότητας
  3. Διαθέσιμες αναλύσεις
  4. Έλεγχος στυλ μέσω του prompt σας
  5. Συνάρτηση χρησιμότητας για δημιουργία
  6. Επιλογή του σωστού συνδυασμού

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα εικόνας. Το gpt-image-1, το μοντέλο για το οποίο γράφτηκε αρχικά αυτό το μάθημα, αποσύρθηκε στις 23 Οκτωβρίου 2026. Επιπλέον, τα gpt-image-1.5, gpt-image-1-mini και chatgpt-image-latest θα αποσυρθούν την 1η Δεκεμβρίου 2026. Τα παραδείγματα χρησιμοποιούν πλέον το gpt-image-2.5-sunburst, το οποίο προσφέρει την υψηλότερη ακρίβεια για επεξεργασία· το gpt-image-2.5-flare είναι ταχύτερο για τυπική δημιουργία. Και τα δύο μοντέλα υποστηρίζουν πλέον τα επίπεδα ποιότητας xhigh και max. Τα μοντέλα GPT Image επιστρέφουν πάντα εικόνες σε μορφή base64: η παράμετρος response_format που χρησιμοποιούσαν τα παλαιότερα μοντέλα DALL·E δεν γίνεται πλέον δεκτή και έχει αφαιρεθεί από τον κώδικα. Πηγή: Image generation (OpenAI).

Έλεγχος ποιότητας, στυλ και ανάλυσης

Το GPT Image παρέχει αρκετούς μοχλούς για να προσαρμόσετε το αποτέλεσμά σας, αλλά δεν λειτουργούν όλοι με τον ίδιο τρόπο. Η ποιότητα και η ανάλυση είναι ρητές παράμετροι του API που επηρεάζουν το κόστος και τον χρόνο δημιουργίας. Το στυλ, ωστόσο, ελέγχεται αποκλειστικά μέσω του prompt σας. Η κατανόηση αυτής της διάκρισης σας εμποδίζει να αναζητάτε ανύπαρκτες επιλογές και σας βοηθά να βελτιστοποιήσετε την αναλογία ποιότητας-κόστους για κάθε δημιουργία.

Επίπεδα ποιότητας

Η παράμετρος quality επηρεάζει άμεσα το επίπεδο λεπτομέρειας και τον χρόνο δημιουργίας. Ο καλύτερος τρόπος για να δείτε τη διαφορά είναι να τη δοκιμάσετε σε ένα απαιτητικό θέμα—όπως μια νεκρή φύση με φωτισμό Rembrandt, όπου οι διαβαθμίσεις και οι υφές είναι κρίσιμες—και όχι σε ένα επίπεδο γραφικό όπου οι διαφορές θα ήταν αόρατες.

import base64
from openai import OpenAI

client = OpenAI()

qualities = ["low", "medium", "high"]

for q in qualities:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Still life with exotic fruits on a marble table, Rembrandt lighting",
        size="1024x1024",
        quality=q
    )
    with open(f"quality_{q}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Quality {q}: quality_{q}.png")
ΠοιότηταΛεπτομέρειεςΧρόνοςΚόστοςΠροτεινόμενη Χρήση
lowΒασικέςΓρήγοροςΟικονομικόΠρόχειρα σχέδια, δοκιμές, πρωτοτυποποίηση
mediumΚαλέςΜέτριοςΕνδιάμεσοΚοινωνικά δίκτυα, παρουσιάσεις
highΜέγιστεςΠιο αργόςPremiumΕκτύπωση, διαφήμιση, χαρτοφυλάκια

Διαθέσιμες αναλύσεις

Διατίθενται τρεις αναλογίες διαστάσεων, καθεμία προσαρμοσμένη σε συγκεκριμένες περιπτώσεις χρήσης: τετράγωνη 1024×1024 για κοινωνικά δίκτυα και avatar, κάθετη 1024×1536 για stories, αφίσες και οθόνες κινητών, και οριζόντια 1536×1024 για banners, κεφαλίδες και παρουσιάσεις. Δημιουργείτε πάντα απευθείας στη μορφή προορισμού σας. Η περικοπή εκ των υστέρων σπαταλά εικονοστοιχεία για τα οποία έχετε πληρώσει και διαταράσσει τη σύνθεση που έχτισε το μοντέλο για εκείνο το συγκεκριμένο κάδρο.

import base64
from openai import OpenAI

client = OpenAI()

resolutions = {
    "1024x1024": "Τετράγωνη — ιδανική για κοινωνικά δίκτυα και avatar",
    "1024x1536": "Κάθετη — stories, αφίσες, κινητά",
    "1536x1024": "Οριζόντια — banners, κεφαλίδες, παρουσιάσεις",
}

for size, description in resolutions.items():
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Panoramic view of a futuristic city at dusk, neon lights and skyscrapers",
        size=size,
        quality="medium"
    )
    with open(f"city_{size}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{size} ({description}) → city_{size}.png")

Έλεγχος στυλ μέσω του prompt σας

Το στυλ δεν είναι ρητή παράμετρος του API· το ελέγχετε αποκλειστικά μέσω του prompt σας. Η πιο αξιόπιστη τεχνική είναι να καθορίζετε ένα ακριβές μέσο με το δικό του λεξιλόγιο. Το «Professional photography, Nikon D850, f/2.8» δεν ζητά απλώς μια φωτογραφία—απαιτεί συγκεκριμένο βάθος πεδίου και οπτική απόδοση. Το «Retro 16-bit pixel art, limited palette» επιβάλλει έναν περιορισμό ανάλυσης τον οποίο το μοντέλο θα σεβαστεί. Ο παρακάτω βρόχος εφαρμόζει πέντε διαφορετικά μέσα στο ίδιο θέμα, καθιστώντας τις διαφορές άμεσα ορατές.

import base64
mediums = [
    "professional photography, Nikon D850, f/2.8",
    "oil painting on canvas, impressionist style",
    "flat design vector illustration, pastel colors",
    "architectural technical drawing, cross-section view",
    "retro 16-bit pixel art, limited palette",
]

for medium in mediums:
    prompt = f"A typical Parisian café with outdoor seating, {medium}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"cafe_{mediums.index(medium) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{medium[:40]}... → {filename}")

Ο φωτισμός είναι ο δεύτερος μοχλός σας και συχνά ο πιο ισχυρός: μπορεί να μεταμορφώσει ριζικά την ίδια σκηνή. Ένα πορτρέτο μιας κεραμίστριας στο εργαστήριό της γίνεται μια λιτή ντοκιμαντερίστικη λήψη υπό φωτισμό στούντιο τριών σημείων, μια διαφημιστική εικόνα στο χρυσό φως της ώρας ή μια αφίσα ταινίας σε chiaroscuro στυλ Caravaggio. Το θέμα δεν έχει αλλάξει ούτε λέξη· έχει αλλάξει μόνο η ατμόσφαιρα.

import base64
lightings = [
    "three-point studio lighting, neutral white background",
    "natural golden hour light",
    "cyberpunk neon lighting, pink and blue",
    "dramatic Caravaggio-style chiaroscuro",
    "diffuse rainy day light, gray tones",
]

for lighting in lightings:
    prompt = f"Portrait of a ceramic artisan in her workshop, {lighting}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high"
    )
    filename = f"artisan_{lightings.index(lighting) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Lighting: {lighting} → {filename}")

Συνάρτηση χρησιμότητας για δημιουργία

Η επανάληψη των ίδιων έξι γραμμών για κάθε κλήση γίνεται γρήγορα κουραστική και επιρρεπής σε σφάλματα. Ενσωματώστε τις προεπιλεγμένες προτιμήσεις σας σε μια επαναχρησιμοποιήσιμη συνάρτηση που διαχειρίζεται επίσης την αποθήκευση στον δίσκο και την προσθήκη καταλήξεων στα αρχεία όταν ζητάτε πολλαπλές εικόνες.

from openai import OpenAI
import base64
from pathlib import Path

client = OpenAI()

def generate_image(
    prompt: str,
    output_path: str,
    size: str = "1024x1024",
    quality: str = "medium",
    n: int = 1
) -> list[str]:
    """
    Generates one or more images and saves them locally.
    Returns a list of created file paths.
    """
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        n=n,
        size=size,
        quality=quality,
    )

    paths = []
    for i, image in enumerate(response.data):
        if n > 1:
            path = Path(output_path).stem + f"_{i+1}" + Path(output_path).suffix
        else:
            path = output_path

        data = base64.b64decode(image.b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Saved: {path}")

    return paths


# Usage
generate_image(
    prompt="Premium packaging for matcha tea, minimalist Japanese design",
    output_path="matcha_packaging.png",
    size="1024x1024",
    quality="high"
)

Επιλογή του σωστού συνδυασμού

Αποφασίζετε και τις δύο παραμέτρους μαζί, με βάση το μέσο προορισμού σας. Ο παρακάτω πίνακας συνοψίζει τα πιο κοινά σενάρια.

ΠλαίσιοΑνάλυσηΠοιότητα
Γρήγορη πρωτοτυποποίηση1024×1024low
Ανάρτηση Instagram / LinkedIn1024×1024medium
Κάθετο story / Reel1024×1536medium
Web banner / κεφαλίδα1536×1024medium
Αφίσα εκτύπωσης A3+1024×1536high
Δημιουργικό χαρτοφυλάκιο / βιβλίο1024×1024high
Δοκιμή batch prompt1024×1024low

Σε περιβάλλον παραγωγής, μην αντιγράφετε χειροκίνητα αυτόν τον πίνακα σε κάθε script. Μετατρέψτε τον σε λογική διαμόρφωσης και αφήστε τον κώδικά σας να επιλέγει με βάση το δηλωμένο πλαίσιο. Έχετε μια ενιαία πηγή αλήθειας και αν αργότερα αποφασίσετε ότι οι αναρτήσεις σας στα κοινωνικά δίκτυα πρέπει να χρησιμοποιούν ποιότητα high, αρκεί μια αλλαγή σε μία γραμμή.

def generate_for_context(prompt: str, context: str, output: str):
    """Automatically adapts quality and resolution to the context."""
    configs = {
        "prototype": {"size": "1024x1024", "quality": "low"},
        "social_media": {"size": "1024x1024", "quality": "medium"},
        "story": {"size": "1024x1536", "quality": "medium"},
        "banner": {"size": "1536x1024", "quality": "medium"},
        "print": {"size": "1024x1536", "quality": "high"},
    }

    config = configs.get(context, configs["social_media"])

    return generate_image(
        prompt=prompt,
        output_path=output,
        **config
    )


# Generate the same image for different media
generate_for_context(
    "Corsen AI logo on dark background, premium tech style",
    "social_media",
    "logo_social.png"
)

Για να χτίσετε τη δική σας κρίση σχετικά με αυτές τις ρυθμίσεις, δημιουργήστε μόνοι σας τον πλήρη πίνακα: γράψτε ένα script που λαμβάνει ένα ενιαίο prompt και παράγει και τους εννέα συνδυασμούς ποιότητας × ανάλυσης, αποθηκεύει κάθε αρχείο με ένα ρητό όνομα όπως image_low_1024x1024.png και εμφανίζει έναν πίνακα σύνοψης. Σύντομα θα ξέρετε με το μάτι πότε το medium είναι αρκετό.