Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Παραλλαγές και Επαναλήψεις

Μάθημα 5 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Παραλλαγές και Επαναλήψεις
  2. Δημιουργία Παραλλαγών της Ίδιας Έννοιας
  3. Παραλλαγές μέσω Τροποποίησης του Prompt
  4. Επανάληψη μέσω Βελτίωσης του Prompt
  5. Αυτοματοποιημένη Ροή Εργασίας Επανάληψης
  6. Σύγκριση Παραλλαγών σε έναν Κατάλογο
  7. Η Πειθαρχία της Επανάληψης

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα εικόνας. Το gpt-image-1, το μοντέλο για το οποίο γράφτηκε αρχικά αυτό το μάθημα, διακόπηκε 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 επίσης τις ρυθμίσεις ποιότητας xhigh και max. Τα μοντέλα GPT Image επιστρέφουν πάντα εικόνες σε base64: η παράμετρος response_format από παλαιότερα μοντέλα DALL·E δεν γίνεται πλέον δεκτή και έχει αφαιρεθεί από τον κώδικα. Πηγή: Δημιουργία εικόνας (OpenAI).

Παραλλαγές και Επαναλήψεις

Το να πετύχετε την τέλεια εικόνα με την πρώτη προσπάθεια είναι σπάνιο. Η πραγματική εργασία περιλαμβάνει τη δημιουργία παραλλαγών, τη σύγκρισή τους και στη συνέχεια τη σταδιακή βελτίωση του prompt μέχρι να φτάσετε στο επιθυμητό αποτέλεσμα. Αυτό το μάθημα σας παρέχει τα τρία εργαλεία για αυτή τη μέθοδο: παραλλαγή μέσω επανεκτέλεσης, παραλλαγή μέσω τροποποίησης του prompt και επανάληψη μέσω διαδοχικής βελτίωσης.

Δημιουργία Παραλλαγών της Ίδιας Έννοιας

Η απλούστερη μέθοδος είναι η επανεκτέλεση της δημιουργίας με το ίδιο prompt: το GPT Image παράγει ένα διαφορετικό αποτέλεσμα κάθε φορά. Αυτό είναι χρήσιμο στην αρχή της εξερεύνησης, όταν δεν γνωρίζετε ακόμη τι ακριβώς ψάχνετε και θέλετε να δείτε το εύρος των πιθανών ερμηνειών μιας ιδέας.

from openai import OpenAI
import base64

client = OpenAI()

def generate_variations(prompt: str, n_variations: int, prefix: str):
    """Δημιουργία αρκετών ανεξάρτητων παραλλαγών του ίδιου prompt."""
    paths = []
    for i in range(n_variations):
        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="medium",
        )

        path = f"{prefix}_v{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Παραλλαγή {i+1} αποθηκεύτηκε: {path}")

    return paths


variations = generate_variations(
    prompt="Illustration of a gardener robot watering flowers, childish and colorful style",
    n_variations=5,
    prefix="gardener_robot"
)

Παραλλαγές μέσω Τροποποίησης του Prompt

Η προηγούμενη προσέγγιση σας αφήνει με τυχαιότητα· αυτή εδώ σας δίνει έλεγχο. Ορίζετε ένα αναλλοίωτο θέμα—εδώ, ένα φλιτζάνι καφέ που ατμίζει πάνω σε ξύλινο τραπέζι—και μετακινείτε μόνο μία διάσταση: τη διάθεση. Τα πέντε αποτελέσματα γίνονται τότε συγκρίσιμα, καθώς γνωρίζετε ακριβώς τι τα διαφοροποιεί. Αυτή είναι η διαφορά μεταξύ πέντε προσπαθειών και ενός πειράματος.

from openai import OpenAI
import base64

client = OpenAI()

base_prompt = "Steaming coffee cup on a wooden table"

moods = [
    "soft morning light, warm tones",
    "Parisian café vibe, black and white",
    "pop art style, saturated colors",
    "Scandinavian minimalist, white background",
    "cozy winter atmosphere, bokeh string lights",
]

for i, mood in enumerate(moods):
    prompt = f"{base_prompt}, {mood}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium",
    )

    path = f"cafe_mood_{i+1}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Διάθεση: {mood[:30]}... → {path}")

Επανάληψη μέσω Βελτίωσης του Prompt

Όταν το αποτέλεσμα δεν είναι ικανοποιητικό, η σωστή αντίδραση δεν είναι να επανεκτελέσετε ελπίζοντας σε καλύτερη τύχη, αλλά να προσθέσετε τον missing περιορισμό. Η σειρά παρακάτω δείχνει αυτή την πρόοδο σε ένα επεξεργασμένο παράδειγμα: «Ένα λογότυπο για μια fintech startup» δεν λέει τίποτα στο μοντέλο· η δεύτερη επανάληψη ορίζει τον αριθμό των χρωμάτων και το φόντο· η τρίτη ονομάζει την οπτική μεταφορά και την παλέτα· η τέταρτη κατεβαίνει σε κωδικούς hex και πάχος γραμμής. Με κάθε πέρασμα, ο χώρος των πιθανών αποτελεσμάτων στενεύει και η αναπαραγωγιμότητα αυξάνεται.

from openai import OpenAI
import base64

client = OpenAI()

iterations = [
    # Επανάληψη 1: βασικό prompt
    "A logo for a fintech startup",

    # Επανάληψη 2: προσθήκη οπτικών περιορισμών
    "A logo for a fintech startup, minimalist design, maximum two colors, transparent background",

    # Επανάληψη 3: ακρίβεια στυλ
    (
        "Minimalist logo for a fintech startup, abstract geometric icon "
        "evoking growth, navy blue and emerald green palette, no text, vector style"
    ),

    # Επανάληψη 4: λεπτές προσαρμογές
    (
        "Minimalist logo for a fintech startup, abstract geometric icon: "
        "two interlocking arrows forming a diamond, navy blue (#1B2A4A) and "
        "emerald green (#2ECC71), 2px thin stroke, white background, sharp vector render, centered"
    ),
]

for i, prompt in enumerate(iterations):
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    path = f"logo_iteration_{i+1}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Επανάληψη {i+1}: {prompt[:60]}...")
    print(f"  → {path}\n")

Αυτοματοποιημένη Ροή Εργασίας Επανάληψης

Σε ένα ελαφρώς μεγαλύτερο έργο, η ανθρώπινη μνήμη δεν αρκεί: μετά από δεκαπέντε εικόνες, δεν γνωρίζετε πλέον ποιο prompt παρήγαγε ποιο αποτέλεσμα. Η παρακάτω ροή εργασίας δομεί την εργασία σε γύρους, δημιουργεί αρκετές παραλλαγές ανά γύρο, ονομάζει τα αρχεία με τρόπο ιχνηλατήσιμο και διατηρεί το πλήρες ιστορικό των prompts σε ένα αρχείο JSON. Αυτό το αρχείο ιστορικού είναι που κάνει τη ρύθμιση πολύτιμη: σας επιτρέπει να επιστρέψετε πίσω και να κεφαλαιοποιήσετε από το ένα έργο στο επόμενο.

from openai import OpenAI
import base64
import json

client = OpenAI()

def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
    """
    Ροή εργασίας επανάληψης: δημιουργεί αρκετές παραλλαγές ανά γύρο,
    διατηρεί ιστορικό prompts και αποτελεσμάτων.
    """
    history = []
    current_prompt = brief

    for round_num in range(1, n_rounds + 1):
        print(f"\n{'='*50}")
        print(f"ΓΥΡΟΣ {round_num} — Prompt: {current_prompt[:80]}...")
        print(f"{'='*50}")

        round_images = []
        for i in range(n_per_round):
            response = client.images.generate(
                model="gpt-image-2.5-sunburst",
                prompt=current_prompt,
                size="1024x1024",
                quality="medium",
            )

            path = f"pipeline_r{round_num}_v{i+1}.png"
            data = base64.b64decode(response.data[0].b64_json)
            with open(path, "wb") as f:
                f.write(data)
            round_images.append(path)
            print(f"  Παραλλαγή {i+1}: {path}")

        history.append({
            "round": round_num,
            "prompt": current_prompt,
            "images": round_images
        })

        # Βελτίωση του prompt για τον επόμενο γύρο
        if round_num < n_rounds:
            current_prompt += ", more details, better composition"

    # Αποθήκευση του ιστορικού
    with open("pipeline_history.json", "w") as f:
        json.dump(history, f, indent=2, ensure_ascii=False)

    print(f"\nΙστορικό αποθηκεύτηκε: pipeline_history.json")
    return history


iteration_pipeline(
    brief="Illustration of an independent bookstore seen from outside, autumn evening, Ghibli style",
    n_rounds=3,
    n_per_round=3
)

Σύγκριση Παραλλαγών σε έναν Κατάλογο

Το άνοιγμα εννέα αρχείων PNG ένα προς ένα σε έναν προβολέα δεν επιτρέπει καμία σοβαρή σύγκριση. Αντ’ αυτού, δημιουργήστε μια σελίδα HTML που τα εμφανίζει πλάι-πλάι, με τις εικόνες κωδικοποιημένες σε base64, ώστε το αρχείο να είναι αυτοτελές και να μπορεί να κοινοποιηθεί ως έχει σε έναν πελάτη ή καλλιτεχνικό διευθυντή.

import base64
from pathlib import Path
from glob import glob

def generate_catalog(images: list[str], title: str, output: str = "catalog.html"):
    """Δημιουργία σελίδας HTML με όλες τις εικόνες πλάι-πλάι."""
    html_parts = [
        '<!DOCTYPE html><html><head><meta charset="utf-8">',
        f'<title>{title}</title>',
        '<style>',
        'body { background: #111; color: #fff; font-family: sans-serif; padding: 2rem; }',
        '.grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(300px, 1fr)); gap: 1rem; }',
        '.card { background: #222; border-radius: 8px; overflow: hidden; }',
        '.card img { width: 100%; display: block; }',
        '.card p { padding: 0.5rem 1rem; font-size: 0.85rem; color: #aaa; }',
        '</style></head><body>',
        f'<h1>{title}</h1><div class="grid">',
    ]

    for img_path in images:
        with open(img_path, "rb") as f:
            b64 = base64.b64encode(f.read()).decode()
        html_parts.append(f'<div class="card">')
        html_parts.append(f'<img src="data:image/png;base64,{b64}" />')
        html_parts.append(f'<p>{Path(img_path).name}</p></div>')

    html_parts.append('</div></body></html>')

    with open(output, "w") as f:
        f.write("\n".join(html_parts))
    print(f"Κατάλογος δημιουργήθηκε: {output}")


images = sorted(glob("pipeline_r*_v*.png"))
generate_catalog(images, "Παραλλαγές — Βιβλιοπωλείο Ghibli")

Η Πειθαρχία της Επανάληψης

Λίγες αρχές χωρίζουν την παραγωγική επανάληψη από την δαπανηρή δοκιμή και λάθος. Αλλάζετε μόνο μία παράμετρο τη φορά, διαφορετικά δεν θα μάθετε ποτέ ποια βελτίωσε το αποτέλεσμα. Διατηρείτε ένα ιστορικό των prompts και των αποδόσεών σας, όπως κάνει η παραπάνω ροή εργασίας, για να κεφαλαιοποιήσετε αντί να ξεκινάτε από το μηδέν σε κάθε έργο. Εργάζεστε με quality: low κατά τη διάρκεια ολόκληρης της φάσης εξερεύνησης και αλλάζετε σε high μόνο για την τελική απόδοση, διαφορετικά θα πληρώνετε υπερβολικά για εικόνες που θα πετάξετε. Όταν ψάχνετε απλώς για γρήγορη ποικιλομορφία, προτιμήστε μια κλήση με την παράμετρο n αντί για έναν βρόχο αιτημάτων. Τέλος, ονομάζετε τα αρχεία σας περιγραφικά: είναι μια ασήμαντη λεπτομέρεια την πρώτη μέρα, αλλά καθοριστική μετά από διακόσιες εικόνες.

Εφαρμόστε τώρα αυτή την πλήρη ακολουθία σε ένα θέμα της επιλογής σας—λογότυπο, εικονογράφηση ή φωτογραφία προϊόντος. Δημιουργήστε τρεις παραλλαγές με ένα αρχικό prompt, βελτιώστε αυτό το prompt με βάση τα αποτελέσματα, δημιουργήστε τρεις νέες παραλλαγές και στη συνέχεια παράγετε τον συγκριτικό κατάλογο HTML των έξι εικόνων.