Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Σύγκριση Εικόνων με το Vision API

Μάθημα 10 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Οπτική Συγκριτική Ανάλυση
  2. Σύγκριση Πριν/Μετά
  3. Έλεγχος Ποιότητας Προϊόντων
  4. Παρακολούθηση Εξέλιξης στον Χρόνο
  5. Σύγκριση Διεπαφών Χρήστη
  6. Βέλτιστες Πρακτικές Σύγκρισης
  7. Βασικά σημεία

Οπτική Συγκριτική Ανάλυση

Η σύγκριση εικόνων αποτελεί μια ισχυρή περίπτωση χρήσης που αξιοποιεί τη δυνατότητα επεξεργασίας πολλαπλών εικόνων, την οποία καλύψατε στο Μάθημα 6. Το ερώτημα μετατοπίζεται από το «Τι δείχνει αυτή η εικόνα;» στο «Τι έχει αλλάξει;»—μια λειτουργία την οποία ένα σημασιολογικό μοντέλο διαχειρίζεται θεμελιωδώς διαφορετικά από έναν συγκριτή pixel. Ενώ η διαφορά σε επίπεδο pixel σηματοδοτεί μια απόκλιση χωρίς να την ποιοτικοποιεί, το μοντέλο μπορεί να δηλώσει ότι μια ετικέτα μετατοπίστηκε κατά δύο χιλιοστά και ένα λογότυπο εξαφανίστηκε, κρίνοντας στη συνέχεια ποιο από τα δύο έχει σημασία.

Έλεγχος ποιότητας, παρακολούθηση εξέλιξης, ανίχνευση οπτικής παλινδρόμησης: αυτό το μάθημα δείχνει πώς να δομείτε τα αιτήματα (prompts) σύγκρισης και πώς να αξιοποιείτε τα αποτελέσματα.

Σύγκριση Πριν/Μετά

Το πιο συνηθισμένο σενάριο αφορά την επαλήθευση του τι έχει αλλάξει μεταξύ δύο καταστάσεων. Το μήνυμα συστήματος ορίζει τη μέθοδο σύγκρισης, ενώ το μήνυμα χρήστη προσδιορίζει τις εικόνες:

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": """You are an expert in comparative image analysis. When presented with two images:
1. Briefly describe each image
2. List identified differences (with location)
3. Assess the significance of each difference (minor/major)
4. Provide an overall similarity score (0-100%)"""
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "BEFORE Image (reference):"},
                {"type": "image_url", "image_url": "https://exemple.com/avant.jpg"},
                {"type": "text", "text": "AFTER Image (current state):"},
                {"type": "image_url", "image_url": "https://exemple.com/apres.jpg"},
                {"type": "text", "text": "Identify all differences between these two images."}
            ]
        }
    ]
)

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

Η παρεμβολή κειμένου («BEFORE Image», «AFTER Image») βοηθά το μοντέλο να αναγνωρίσει τον ρόλο κάθε εικόνας. Το τρίτο βήμα στο μήνυμα συστήματος είναι αυτό που καθιστά την αναφορά actionable: χωρίς ιεράρχηση, λαμβάνετε μια λίστα όπου μια αλλαγή στη σκιά ζυγίζει όσο και ένα missing part.

Έλεγχος Ποιότητας Προϊόντων

Στο τέλος της διαδικασίας, αυτή η αναφορά πρέπει να διαβαστεί από ένα πρόγραμμα και όχι από άνθρωπο. Συνδυάζουμε λοιπόν τη σύγκριση με τη λειτουργία JSON του Μαθήματος 9: το μοντέλο επιστρέφει μια ετυμηγορία, μια βαθμολογία και μια λίστα με χαρακτηρισμένα ελαττώματα που ο κώδικας μπορεί να αξιοποιήσει άμεσα.

import base64
import json

def encode_image(path):
    with open(path, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    return f"data:image/jpeg;base64,{b64}"

def quality_control(reference_image, sample_image):
    """Compares a sample to its reference and detects defects."""
    response = client.chat.complete(
        model="mistral-large-latest",
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": "You are a quality inspector. Compare the sample to the reference and return a JSON report."
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "Reference (compliant product):"},
                    {"type": "image_url", "image_url": encode_image(reference_image)},
                    {"type": "text", "text": "Sample to inspect:"},
                    {"type": "image_url", "image_url": encode_image(sample_image)},
                    {
                        "type": "text",
                        "text": """Compare and return:
{
  "compliant": true/false,
  "compliance_score": 0-100,
  "defects": [
    {"description": "...", "severity": "minor/major/critical", "location": "..."}
  ],
  "recommendation": "accept/review/reject"
}"""
                    }
                ]
            }
        ]
    )

    return json.loads(response.choices[0].message.content)

# Usage
result = quality_control("reference/product-ok.jpg", "batch-42/sample-7.jpg")

if result["compliant"]:
    print(f"COMPLIANT - Score: {result['compliance_score']}%")
else:
    print(f"NON-COMPLIANT - {len(result['defects'])} defect(s) detected")
    for defect in result["defects"]:
        print(f"  - [{defect['severity']}] {defect['description']}")

Το πεδίο recommendation είναι πιο ενδιαφέρον από ό,τι φαίνεται: διαχωρίζοντας το «review» από το «reject», δεσμεύει την ανθρώπινη παρέμβαση για αμφίβολες περιπτώσεις, αντί να την επιβάλλει παντού ή πουθενά.

Παρακολούθηση Εξέλιξης στον Χρόνο

Μια χρονοσειρά—εργοτάξιο, ανάπτυξη καλλιεργειών, φθορά κατασκευής—αντιμετωπίζεται ως μια εκτεταμένη σύγκριση, υπό την προϋπόθεση ότι επισημαίνετε κάθε εικόνα με την ημερομηνία της. Το μοντέλο διαθέτει τότε τον χρονικό άξονα και μπορεί να ποιοτικοποιήσει έναν ρυθμό, όχι απλώς ένα κενό.

def analyze_evolution(chronological_images, context=""):
    """Analyzes visible evolution across a series of ordered images."""
    content = [
        {
            "type": "text",
            "text": f"Here are {len(chronological_images)} images taken at different times, in chronological order. {context}"
        }
    ]

    for i, (date, path) in enumerate(chronological_images):
        content.append({"type": "text", "text": f"Image {i+1} ({date}):"})
        content.append({"type": "image_url", "image_url": encode_image(path)})

    content.append({
        "type": "text",
        "text": "Describe the evolution observed between each step. Identify major changes and the general trend."
    })

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

    return response.choices[0].message.content

# Construction site tracking
images = [
    ("2025-01", "site/jan-2025.jpg"),
    ("2025-06", "site/jun-2025.jpg"),
    ("2026-01", "site/jan-2026.jpg"),
]

evolution = analyze_evolution(images, context="Tracking a construction site.")
print(evolution)

Η τελική ερώτηση προστίθεται μόνο μετά από όλες τις εικόνες, μόλις τοποθετηθεί ολόκληρο το αρχείο.

Σύγκριση Διεπαφών Χρήστη

Η ανάπτυξη web προσφέρει μια άμεση περίπτωση χρήσης: η αντιπαράθεση του εγκεκριμένου mockup με την πραγματικά παραγόμενη απόδοση. Εκεί όπου ένα pixel regression test αποτυγχάνει σε μια μετατόπιση ενός pixel χωρίς σημασία, το μοντέλο ποιοτικοποιεί τον αντίκτυπο κάθε ασυμφωνίας.

def compare_interfaces(expected_screenshot, actual_screenshot):
    """Compares two interface screenshots to detect visual regressions."""
    response = client.chat.complete(
        model="mistral-large-latest",
        response_format={"type": "json_object"},
        messages=[
            {
                "role": "system",
                "content": "You are a QA tester specializing in visual testing of web interfaces."
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": "Expected design (mockup):"},
                    {"type": "image_url", "image_url": encode_image(expected_screenshot)},
                    {"type": "text", "text": "Current render (screenshot):"},
                    {"type": "image_url", "image_url": encode_image(actual_screenshot)},
                    {
                        "type": "text",
                        "text": """Compare and return:
{
  "pixel_perfect": true/false,
  "differences": [
    {"element": "...", "expected": "...", "actual": "...", "impact": "minor/moderate/major"}
  ],
  "fidelity_score": 0-100,
  "verdict": "compliant/minor_adjustments/regression"
}"""
                    }
                ]
            }
        ]
    )

    return json.loads(response.choices[0].message.content)

Ενσωματωμένο στον αγωγό συνεχούς ένταξης (CI pipeline) σας, αυτός ο έλεγχος μπλοκάρει την παράδοση μόνο σε περίπτωση ετυμηγορίας regression.

Βέλτιστες Πρακτικές Σύγκρισης

Αυτά τα παραδείγματα μοιράζονται μερικές αρχές που αξίζει να γίνουν ρητές. Ονομάζετε πάντα τις εικόνες σας με μια παρεμβαλλόμενη ετικέτα—«Reference», «Sample», «Before», «After»—διότι χωρίς αυτήν, το μοντέλο αναθέτει ρόλους με βάση την τυχαιότητα της σειράς. Διασφαλίστε τη συγκρισιμότητα των λήψεων: υπό διαφορετικές γωνίες και φωτισμό, το μοντέλο θα σηματοδοτήσει αποκλίσεις που πηγάζουν αποκλειστικά από τις συνθήκες φωτογράφισης. Χρησιμοποιήστε το Mistral Large 3, επειδή η σύγκριση κινητοποιεί συλλογισμό λεπτομερούς κοκκοποίησης (fine-grained reasoning) που τα μικρότερα μοντέλα δεν κατέχουν πάντα. Περιοριστείτε σε δύο ή τρεις εικόνες ανά κλήση· πέρα από αυτό, η συγκριτική ακρίβεια αραιώνεται. Και ζητάτε συστηματικά μια δομημένη μορφή, με βαθμολογία, λίστα διαφορών και ετυμηγορία, εάν το αποτέλεσμα πρέπει να υποστεί αυτόματη επεξεργασία.

Βασικά σημεία

  • Η σύγκριση εικόνων αξιοποιεί τη δυνατότητα πολλαπλών εικόνων του API
  • Παρεμβάλλετε επεξηγηματικό κείμενο μεταξύ των εικόνων για να διευκρινίσετε τους ρόλους τους
  • Η λειτουργία JSON (response_format) είναι ιδανική για αυτοματοποιημένες αναφορές σύγκρισης
  • Κύριες περιπτώσεις χρήσης: έλεγχος ποιότητας, παρακολούθηση χώρων, οπτικό QA, πριν/μετά
  • Χρησιμοποιείτε πάντα το Mistral Large 3 για απαιτητικές εργασίες σύγκρισης