Muunnelmat ja iteraatiot
Tällä sivulla
Päivitetty 2. marraskuuta 2026 — Kuvamallit.
gpt-image-1, malli, jota varten tämä kurssi alun perin kirjoitettiin, poistettiin käytöstä 23. lokakuuta 2026. Lisäksigpt-image-1.5,gpt-image-1-minijachatgpt-image-latestpoistetaan käytöstä 1. joulukuuta 2026. Esimerkit käyttävät nyt malliagpt-image-2.5-sunburst, joka tarjoaa korkeimman tarkkuuden muokkaamiseen;gpt-image-2.5-flareon nopeampi tavalliseen generointiin. Molemmat mallit tukevat myös laatuasetuksiaxhighjamax. GPT Image -mallit palauttavat kuvat aina base64-muodossa: vanhempien DALL·E-mallienresponse_format-parametria ei enää hyväksytä, ja se on poistettu koodista. Lähde: Image generation (OpenAI).
Muunnelmat ja iteraatiot
Täydellisen kuvan saaminen ensimmäisellä yrityksellä on harvinaista. Todellinen työskentely tarkoittaa muunnelmien luomista, niiden vertailua ja kehotteen (prompt) asteittaista tarkentamista, kunnes haluttu tulos saavutetaan. Tämä oppitunti antaa sinulle kolme työkalua tähän menetelmään: muunnelma uudelleenkäynnistyksellä, muunnelma kehotetta muokkaamalla ja iteraatio peräkkäisen hienosäädön kautta.
Saman käsitteen muunnelmien luominen
Yksinkertaisin menetelmä on suorittaa generointi uudelleen samalla kehotteella: GPT Image tuottaa joka kerta erilaisen tuloksen. Tämä on hyödyllistä tutkimuksen alkuvaiheessa, kun et vielä tiedä tarkalleen mitä etsit ja haluat nähdä idean mahdollisten tulkintojen kirjon.
from openai import OpenAI
import base64
client = OpenAI()
def generate_variations(prompt: str, n_variations: int, prefix: str):
"""Generate several independent variations of the same 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"Variation {i+1} saved: {path}")
return paths
variations = generate_variations(
prompt="Illustration of a gardener robot watering flowers, childish and colorful style",
n_variations=5,
prefix="gardener_robot"
)
Muunnelmat kehotetta muokkaamalla
Edellinen lähestymistapa jättää sinut sattuman varaan; tämä antaa sinulle kontrollin. Kiinnität muuttumattoman aiheen – tässä tapauksessa höyryävän kahvikupin puupöydällä – ja siirrät vain yhtä ulottuvuutta: tunnelmaa. Viisi tulosta ovat sitten vertailukelpoisia, koska tiedät tarkalleen, mikä erottaa ne toisistaan. Tämä on ero viiden yrityksen ja kokeen välillä.
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"Mood: {mood[:30]}... → {path}")
Iteraatio kehotetta tarkentamalla
Kun tulos ei ole tyydyttävä, oikea reaktio ei ole suorittaa uudelleen ja toivoa parempaa onnea, vaan lisätä puuttuva rajoite. Alla oleva sarja osoittaa tämän etenemisen käytännön esimerkissä: “Logo fintech-startupille” ei kerro mallille mitään; toinen iteraatio rajaa värien määrän ja taustan; kolmas nimeää visuaalisen metaforan ja paletin; neljäs menee hex-koodeihin ja viivan paksuuteen. Jokaisella kierroksella mahdollisten tulosten tila kapenee ja toistettavuus kasvaa.
from openai import OpenAI
import base64
client = OpenAI()
iterations = [
# Iteraatio 1: peruskehote
"A logo for a fintech startup",
# Iteraatio 2: visuaalisten rajoitteiden lisääminen
"A logo for a fintech startup, minimalist design, maximum two colors, transparent background",
# Iteraatio 3: tyylin tarkennus
(
"Minimalist logo for a fintech startup, abstract geometric icon "
"evoking growth, navy blue and emerald green palette, no text, vector style"
),
# Iteraatio 4: hienosäädöt
(
"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"Iteration {i+1}: {prompt[:60]}...")
print(f" → {path}\n")
Automatisoitu iteraatioputki
Hieman pidemmissä projekteissa ihmisen muisti ei riitä: viidentoista kuvan jälkeen et enää tiedä, mikä kehote tuotti minkäkin tuloksen. Seuraava putki jäsentelee työn kierroksiin, generoi useita variantteja per kierros, nimeää tiedostot jäljitettävästi ja pitää täydellisen historian kehotteista JSON-tiedostossa. Tämä historiatiedosto on se, mikä tekee asetelmasta arvokkaan: sen avulla voit palata taaksepäin ja hyödyntää opittua yhdestä projektista seuraavaan.
from openai import OpenAI
import base64
import json
client = OpenAI()
def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
"""
Iteraatioputki: generoi useita variantteja per kierros,
pitää historiaa kehotteista ja tuloksista.
"""
history = []
current_prompt = brief
for round_num in range(1, n_rounds + 1):
print(f"\n{'='*50}")
print(f"ROUND {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" Variant {i+1}: {path}")
history.append({
"round": round_num,
"prompt": current_prompt,
"images": round_images
})
# Tarkenna kehotetta seuraavaa kierrosta varten
if round_num < n_rounds:
current_prompt += ", more details, better composition"
# Tallenna historia
with open("pipeline_history.json", "w") as f:
json.dump(history, f, indent=2, ensure_ascii=False)
print(f"\nHistory saved: 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
)
Muunnelmien vertailu luettelossa
Yhdeksän PNG-tiedoston avaaminen yksi kerrallaan katseluohjelmassa ei mahdollista vakavaa vertailua. Sen sijaan generoi HTML-sivu, joka näyttää ne vierekkäin, kuvat base64-koodattuina, jotta tiedosto on omavarainen ja jaettavissa sellaisenaan asiakkaalle tai art directorille.
import base64
from pathlib import Path
from glob import glob
def generate_catalog(images: list[str], title: str, output: str = "catalog.html"):
"""Create an HTML page with all images side by side."""
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"Catalog generated: {output}")
images = sorted(glob("pipeline_r*_v*.png"))
generate_catalog(images, "Variations — Ghibli Bookstore")
Iteraation kurinalaisuus
Muutama periaate erottaa tuottavan iteraation kalliista yrityksestä ja erehdyksestä. Muuta vain yhtä parametria kerrallaan, muuten et koskaan tiedä, mikä niistä paransi tulosta. Pidä historiaa kehotteistasi ja renderöinneistäsi, kuten yllä oleva putki tekee, jotta voit hyödyntää aiempaa osaamista sen sijaan, että aloittaisit joka projekti alusta. Työskentele asetuksella quality: low koko tutkimusvaiheen ajan ja vaihda arvoon high vasta lopullista renderöintiä varten, muuten maksat kalliisti kuvista, jotka heität pois. Kun etsit pelkkää nopeaa monimuotoisuutta, suosiy yhtä kutsua parametrilla n pyyntöjen silmukan sijaan. Lopuksi, nimeä tiedostosi kuvaavasti: se on triviaali yksityiskohta ensimmäisenä päivänä, mutta ratkaiseva kahdensadan kuvan jälkeen.
Sovelta nyt tätä koko sarjaa itse valitsemaasi aiheeseen – logo, kuvitus tai tuotekuva. Generoi kolme varianttia alkuperäisellä kehotteella, tarkenna kehotetta tulosten perusteella, generoi kolme uutta varianttia ja tuota lopuksi vertaileva HTML-luettelo kuudesta kuvasta.