Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Σύγκριση Πολλαπλών Εικόνων

Μάθημα 8 / 12 Ενημερώθηκε 30 Ιουλίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Ανάλυση Πολλαπλών Εικόνων σε Ένα Αίτημα
  2. Δομή Αιτήματος Πολλαπλών Εικόνων
  3. Περίπτωση Χρήσης: Σύγκριση Πριν/Μετά
  4. Περίπτωση Χρήσης: Παρακολούθηση Χρονικής Εξέλιξης
  5. Περίπτωση Χρήσης: Έλεγχος Ποιότητας
  6. Περίπτωση Χρήσης: Ανταγωνιστική Ανάλυση
  7. Βελτιστοποίηση Αιτημάτων Πολλαπλών Εικόνων
  8. Βασικά σημεία

Ανάλυση Πολλαπλών Εικόνων σε Ένα Αίτημα

Μία από τις βασικές δυνατότητες του Grok Vision είναι η ικανότητα αποστολής απεριόριστου αριθμού εικόνων σε ένα μόνο αίτημα. Αυτό ανοίγει μοναδικές προοπτικές για σύγκριση, παρακολούθηση χρονικής εξέλιξης και διασταυρούμενη ανάλυση, τις οποίες τα API μίας μόνο εικόνας δεν μπορούν να προσφέρουν.

Δομή Αιτήματος Πολλαπλών Εικόνων

Η μορφή είναι απλή: προσθέτετε όσα αντικείμενα input_image χρειάζεστε στον πίνακα input, παρεμβάλλοντας κείμενο για να καθοδηγήσετε την ανάλυση:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Image A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Image B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Compare these two images in detail."}
    ]
)

Η επισήμανση κάθε εικόνας με κείμενο («Εικόνα Α», «Εικόνα Β») βοηθά το μοντέλο να δομήσει την απάντησή του και να αναφέρεται ξεκάθαρα σε κάθε εικόνα.

Περίπτωση Χρήσης: Σύγκριση Πριν/Μετά

Ιδανική για παρακολούθηση έργων, ανακαινίσεις, σχεδιασμό ή έλεγχο ποιότητας:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Compare these two images (before and after) and identify:

1. The main changes
2. Elements that have not changed
3. Visible improvements
4. Any potential issues introduced

Present your response as a structured list."""

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

Περίπτωση Χρήσης: Παρακολούθηση Χρονικής Εξέλιξης

Παρακολουθήστε την εξέλιξη μιας τοποθεσίας, προϊόντος ή διαδικασίας με την πάροδο του χρόνου:

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

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

    input_data.append({
        "type": "input_text",
        "text": """Analyze the chronological evolution visible in
these images. Identify progressive changes, trends,
and any notable events between the different dates."""
    })

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

Περίπτωση Χρήσης: Έλεγχος Ποιότητας

Συγκρίνετε ένα κατασκευασμένο προϊόν με το πρότυπο αναφοράς του:

def controle_qualite(url_reference, url_produit):
    prompt = """Compare the photographed product to the reference model.

Identify:
1. Compliance (what matches the model)
2. Non-compliance (deviations, defects, differences)
3. Severity of each non-compliance (minor, major, critical)

Return a JSON with:
{
  "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 (expected model):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUCT to check:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Περίπτωση Χρήσης: Ανταγωνιστική Ανάλυση

Συγκρίνετε διεπαφές, συσκευασίες ή παρουσιάσεις προϊόντων από ανταγωνιστές:

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": """Compare these competitor products/interfaces.
For each, identify visual strengths and weaknesses.
Provide a positioning recommendation."""
    })

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

Βελτιστοποίηση Αιτημάτων Πολλαπλών Εικόνων

Όταν στέλνετε πολλές εικόνες, η κατανάλωση tokens αυξάνεται ραγδαία. Ακολουθούν μερικές στρατηγικές βελτιστοποίησης:

Προσαρμογή του Επιπέδου Λεπτομέρειας

Χρησιμοποιήστε low για γενικές συγκρίσεις και high μόνο όταν αναλύετε λεπτές λεπτομέρειες:

# Global comparison: low is sufficient
detail = "low"  # ~256 tokens per image

# Defect analysis: high required
detail = "high"  # ~1024-1792 tokens per image

Περιορισμός του Αριθμού Εικόνων ανά Αίτημα

Παρόλο που δεν υπάρχει αυστηρό όριο, με περισσότερες από 10-15 εικόνες η ποιότητα της ανάλυσης ενδέχεται να μειωθεί. Το μοντέλο διαθέτει πεπερασμένο πλαίσιο (context) και πρέπει να το κατανείμει σε όλες τις εικόνες:

# If more than 10 images, process in batches
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)

Αλλαγή Μεγέθους Εικόνων

Εάν συγκρίνετε φωτογραφίες υψηλής ανάλυσης για γενική ανάλυση, αλλάξτε το μέγεθός τους πριν την αποστολή για να μειώσετε τα tokens:

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

Βασικά σημεία

  • Ο αριθμός των εικόνων ανά αίτημα είναι απεριόριστος — αυτό αποτελεί βασικό πλεονέκτημα του xAI API
  • Επισημαίνετε κάθε εικόνα με κείμενο για να δομήσετε την ανάλυση
  • Προσαρμόστε την παράμετρο detail ανάλογα με τον τύπο της σύγκρισης
  • Πέραν των 10-15 εικόνων, επεξεργαστείτε τες σε παρτίδες (batches) για διατήρηση της ποιότητας
  • Οι περιπτώσεις χρήσης περιλαμβάνουν: πριν/μετά, παρακολούθηση χρονικής εξέλιξης, έλεγχο ποιότητας, ανταγωνιστική ανάλυση