Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Disain: Maketid ja kiire prototüüpimine

Õppetund 8 / 12 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Disain: Maketid ja kiire prototüüpimine
  2. Kasutajaliidese maketid
  3. Mitme visuaalse suuna uurimine
  4. Pakendite prototüüpimine
  5. Automatiseeritud meeleolu tahvlid (Moodboards)
  6. Järjekindlad ikoonikomplektid
  7. Maketi täiustamine redigeerimise teel
  8. Kus AI prototüüpimine lõpeb

Uuendatud 2. novembril 2026 – Pildimudelid. gpt-image-1, mudel, mille jaoks see kursus algselt kirjutati, lõpetati 23. oktoobril 2026. gpt-image-1.5, gpt-image-1-mini ja chatgpt-image-latest võetakse kasutusest 1. detsembril 2026. Näited kasutavad nüüd mudelit gpt-image-2.5-sunburst, mis pakub redigeerimisel suurimat täpsust; gpt-image-2.5-flare on tavapäraseks genereerimiseks kiirem. Mõlemad mudelid toetavad ka kvaliteedisätteid xhigh ja max. GPT Image’i mudelid tagastavad pildid alati base64-vormingus: vanematelt DALL·E mudelitelt pärit parameeter response_format ei ole enam aktsepteeritud ja on koodist eemaldatud. Allikas: Pildigeneratsioon (OpenAI).

Disain: Maketid ja kiire prototüüpimine

GPT Image muudab disainifaasi vähem oma väljundi kvaliteedi kui selle madala hinnaga, millega võib tulemuse kõrvale heita. Kolme visuaalse suuna uurimine kodulehe jaoks võttis disainitarkvaras varem aega ühe päeva; nüüd kulub selleks vaid mõni minut. See võimaldab sul uurida kuut suunda ja loobuda viiest ilma kõhkluseta. See õppetund näitab, kuidas seda vabadust kasutada, ajamata segamini uurimistööd ja lõplikku tootmist.

Kasutajaliidese maketid

Genereeritud maketi eesmärk on valida suund, mitte lõigata see komponentideks. Sinu vihje peab seetõttu taotlema visuaalset usutavust: realistlikud kasutajaliidese komponendid, selge tüpograafia, professionaalne paigutus, järjekindel värvipalett ja oodatava täpsustaseme määratlus – antud juhul „kõrglahutusega renderdus Figma/Sketchi stiilis“. Pane tähele, kuidas funktsioon valib eraldusvõime: 1024×1536 portreeformaadis mobiilseadmete jaoks ja 1536×1024 maastikuformaadis töölaua jaoks. Mobiiliekraani genereerimine maastikuformaadis raamis annaks maketi, mis ei näe välja nagu reaalne seade.

from openai import OpenAI
import base64

client = OpenAI()

def ui_mockup(description: str, platform: str, output: str):
    """Genereeri kasutajaliidese makett."""
    prompt = (
        f"UI/UX makett platvormile {platform}: {description}, "
        "moodne ja puhas disain, realistlikud UI komponendid, "
        "selge tüpograafia, professionaalne paigutus, "
        "järjekindel värvipalett, "
        "kõrglahutusega renderdus Figma/Sketchi stiilis"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if platform == "mobile" else "1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"{platform} makett: {output}")


ui_mockup(
    "analüütika armatuurlaud diagrammide, KPI kaartide ja navigeerimisribaga",
    "desktop",
    "dashboard_mockup.png"
)

ui_mockup(
    "fitnessi jälgimise rakendus avalehe, statistika ja ajalooga",
    "mobile",
    "fitness_app_mockup.png"
)

Mitme visuaalse suuna uurimine

Projekti alguses ei ole küsimus „milline makett on õige?“, vaid „millised esteetilised perekonnad väärikad kliendile näitamist?“. Funktsioon explore_directions vastab täpselt sellele vajadusele, hoides kontseptsiooni muutumatuna – veebipõhise õppeplatvormi koduleht – ja varieerides ainult kahte telge: kunstiline suund ja värvipalett. Pakutud kolm teed ei ole peened variatsioonid: korporatiivne minimalism valges ja tumesinises, moodne värviküllasus lillas ja oranžis ning premium tumedus mustas ja elektrisinises sihtivad kolme erinevat brändipositsiooni. Just see haare teeb esitluse kasulikuks.

from openai import OpenAI
import base64

client = OpenAI()

def explore_directions(concept: str, directions: list[dict], prefix: str):
    """Genereeri sama kontseptsiooni jaoks mitu visuaalset suunda."""
    for i, direction in enumerate(directions):
        prompt = (
            f"{concept}, "
            f"kunstiline suund: {direction['style']}, "
            f"palett: {direction['palette']}, "
            "professionaalne kõrgekvaliteediline renderdus"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{prefix}_direction_{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Suund {i+1} ({direction['style'][:30]}) → {path}")


explore_directions(
    "Veebipõhise õppeplatvormi koduleht",
    [
        {
            "style": "korporatiivne minimalism, palju valget ruumi",
            "palette": "valge, tumesinine, helehall"
        },
        {
            "style": "moodne ja värvikas, lamedad disaini illustratsioonid",
            "palette": "lilla, oranž, valge"
        },
        {
            "style": "tume ja premium, peened gradiendid",
            "palette": "must, elektrisinine, kuldne"
        },
    ],
    "landing_page"
)

Pakendite prototüüpimine

Pakendamine on tõenäoliselt valdkond, kus kasu on kõige dramaatilisem, sest füüsiline prototüüp on kallis ja jõuab kohale hilja. Siinne vihje eraldab tahtlikult kolm sisendit – toode, stiil ja nõutavad elemendid – ning kehtestab seejärel konstantse lavastuse: vaade 3/4 nurga all pinnal seisvana, fotorealistlik renderdus pehmete varjudega. Kaks näidet illustreerivad vahemikku, mida see struktuur ilma pilgutamata käsitleb: ühel pool kraftpaberkott orgaanilisele teele käsikirjalise tüpograafia ja läbipaistva aknaga ühel küljel, teisel pool valge ja kuldne kreemipurk kuldse kirjaga.

from openai import OpenAI
import base64

client = OpenAI()

def packaging_prototype(product: str, style: str, elements: str, output: str):
    """Genereeri toote pakendi prototüüp."""
    prompt = (
        f"Pakendi disain tootele {product}, "
        f"stiil: {style}, "
        f"elemendid: {elements}, "
        "pakendi vaade 3/4 nurga all pinnal seisvana, "
        "fotorealistlik renderdus pehmete varjudega, "
        "kliendile esitlemiseks valmis professionaalne disain"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Pakendi prototüüp: {output}")


packaging_prototype(
    "premium orgaaniline tee kraftkotis",
    "loomulik ja käsitööline, käsikirjaline tüpograafia",
    "teelehe logo, toote nimi, orgaaniline silt, läbipaistev aken",
    "packaging_tea.png"
)

packaging_prototype(
    "kõrgklassi niisutav kreem purgis",
    "minimalistlik luksus, valge ja kuldne",
    "tsentreeritud logo, brändinimi kuldse kirjaga, 50 ml mahutavus",
    "packaging_cream.png"
)

Automatiseeritud meeleolu tahvlid (Moodboards)

Meeleolu tahvel edastab kavatsust enne lahenduse näitamist. Selle asemel, et ehitada tahvel käsitsi, koondades referentse, kirjeldad teemat ja visuaalseid koostisosi ning palud seejärel asümmeetrilist võrgustiku kompositsiooni Pinteresti stiilis. Kaasaegse coworking-ruumi näide illustreerib kasulikku detailitaset: sa ei nimeta lihtsalt kohta, vaid loetled helge interjööri taimedega, skandinaavia mööbli, puidu ja betooni tekstuurid, lõdvestunud inimtegevuse ning terrakota, salvei rohelise ja off-white paleti. Need viis sisendit annavad tulemusele sidususe.

from openai import OpenAI
import base64

client = OpenAI()

def generate_moodboard(theme: str, elements: list[str], output: str):
    """Genereeri visuaalne meeleolu tahvel antud teemale."""
    elements_str = ", ".join(elements)
    prompt = (
        f"Professionaalne meeleolu tahvel teemal „{theme}“, "
        f"kaasa arvatud: {elements_str}, "
        "asümmeetriline võrgustiku kompositsioon Pinteresti stiilis, "
        "mitmekesised fotod ja tekstuurid, järjekindel palett, "
        "agentuuri esitluse kunstiline suund"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Meeleolu tahvel: {output}")


generate_moodboard(
    "Kaasaegne coworking-ruum",
    [
        "helge interjöör taimedega",
        "skandinaavia disaini mööbel",
        "puidu ja betooni tekstuurid",
        "lõdvestunult töötavad inimesed",
        "terrakota, salvei rohelise ja off-white palett"
    ],
    "moodboard_coworking.png"
)

Järjekindlad ikoonikomplektid

Üksik ikoon on lihtne; järjekindel komplekt on raske, sest järjekindlus tugineb detailidele, mis on naiivsele vihjele nähtamatud. Funktsioon icon_set teeb need sõnaselgeks: see sisestab iga ikooni jaoks uuesti teema ja stiili, nõuab läbipaistvat või valget tausta, tsentreeritud kaadrit, ühtlast joone paksust ja ruutproportsioone ning tuletab mudelile meelde, et pilt kuulub komplekti. B2B SaaS-rakenduse viie ikooni puhul – armatuurlaud, kasutajad, seaded, teavitused, analüütika – on just see meeldetuletus see, mis hoiab ära viie erineva graafilise stiili saamise. Slug’i kasutamine tagab puhtad failinimed, käsitledes apostrofe ja tühikuid.

from openai import OpenAI
import base64

client = OpenAI()

def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
    """Genereeri järjekindel ikoonide komplekt."""
    for icon in icons:
        prompt = (
            f"Üksik ikoon, mis esindab „{icon}“, "
            f"teema: {theme}, "
            f"stiil: {style}, "
            "läbipaistev või valge taust, tsentreeritud, "
            "järjekindel disain ikoonikomplekti sees, "
            "ühtlane joone paksus, ruutproportsioonid"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        slug = icon.lower().replace(" ", "_").replace("'", "")
        path = f"{output_prefix}_{slug}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Ikoon {icon} → {path}")


icon_set(
    theme="B2B SaaS rakendus",
    icons=["dashboard", "users", "settings", "notifications", "analytics"],
    style="joonkunst, 2px joon, tumesinine, ümarad nurgad",
    output_prefix="icon"
)

Maketi täiustamine redigeerimise teel

Terve maketi uuesti genereerimine ühe piirkonna parandamiseks paneb sind kaotama kõike, mis mujal juba rahuldav oli. Allpool toodud töövoog toimib teisiti: esmalt genereeritakse projektihalduse rakenduse jaoks täielik koduleht, seejärel avatakse maskis aken kõrguse 8% ja 45% vahel – see tähendab, et päise all ja funktsiooniplokkide kohal –, et korrata ainult hero-lõiku. Päis, navigeerimine ja kolm plokki jäävad versioonide v1 ja v2 vahel rangelt identseks, muutes võrdluse ausaks: sa näed oma muudatuse mõju ja mitte midagi muud.

from openai import OpenAI
from PIL import Image, ImageDraw
import base64

client = OpenAI()

# 1. samm: Genereeri algne makett
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Projektihalduse rakenduse kodulehe makett, "
        "moodne disain, päis navigeerimisega, hero-lõik illustratsiooniga, "
        "3 funktsiooniplokki, valge taust"
    ),
    size="1024x1536",
    quality="high",
)

data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
    f.write(data)
print("Makett v1 genereeritud")

# 2. samm: Muuda hero-lõiku redigeerimise teel
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Hero ala: ülemine osa (päise all)
draw.rectangle([0, int(h * 0.08), w, int(h * 0.45)], fill=(0, 0, 0, 0))
mask.save("mask_hero.png")

response = client.images.edit(
    model="gpt-image-2.5-sunburst",
    image=open("mockup_v1.png", "rb"),
    mask=open("mask_hero.png", "rb"),
    prompt=(
        "Hero-lõik kanban-tahvli 3D isomeetrilise illustratsiooniga, "
        "pealkiri 'Manage Your Projects Simply', sinine CTA nupp, pehme gradiendi taust"
    )
)

with open("mockup_v2.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))
print("Makett v2 muudetud heroga")

Kus AI prototüüpimine lõpeb

Sa pead olema selge selles, millises staatuses on see, mida siin toodad. Genereeritud maketid on visuaalsed uurimused, mitte tootmisfailid: tekst on hästi renderdatud, kuid võib sisaldada väikseid vigu, komponendid pole ei interaktiivsed ega eksporditavad Figmasse ning järjekindlus mitme ekraani vahel samas kasutajavoos ei ole garanteeritud. Disainer, kes saab need pildid lõpliku tulemina, oleks õigustatud vastuväiteid esitama.

Nende väärtus peitub mujal ja see on märkimisväärne: need aitavad suunda valideerida enne lõpliku disaini investeerimist. Kolme tee vahel valimine ühe tunniga kolme päeva asemel, kliendikohtumisele jõudmine piltide mitte sõnadega, vale hea idee kõrvaldamine enne, kui see neelab nädala tootmist – just seda AI prototüüpimine sulle tegelikult pakub.

Et selles veenduda, ehita oma projekti käivitamise tööriist: skript, mis genereerib lühikirjelduse põhjal kodulehe jaoks kolm visuaalset suunda, ühele neist vastava meeleolu tahvli ja võrdleva HTML-kataloogi, mis võimaldab neid kõrvuti esitleda.