Kehittyneet visuaaliset kehotteet: sommittelu, valaistus, perspektiivi
Tällä sivulla
Päivitys 2. marraskuuta 2026 — kuvamallit.
gpt-image-1, jota varten tämä kurssi alun perin kirjoitettiin, lopetettiin 23. lokakuuta 2026, jagpt-image-1.5,gpt-image-1-minisekächatgpt-image-latestpoistuvat käytöstä 1. joulukuuta 2026. Esimerkit käyttävät nyt malliagpt-image-2.5-sunburst, joka on tarkin muokkaamiseen;gpt-image-2.5-flareon nopeampi tavalliseen generointiin. Molemmat tukevat myös laatuasetuksiaxhighjamax. GPT Image -mallit palauttavat kuvat aina base64-muodossa: vanhempien DALL·E-mallienresponse_format-parametria ei hyväksytä, ja se on poistettu koodista. Lähde: Image generation (OpenAI).
Kehittyneet visuaaliset kehotteet: sommittelu, valaistus, perspektiivi
Hyvin jäsennelty kehote erottaa kelvollisen kuvan ammattitasoisesta. Vipuvartena ei ole pituus, vaan sanasto. GPT Image ymmärtää valokuvauksen, elokuvan ja kuvataiteen terminologiaa. Tämän kielen puhuminen on kuin antaisit ohjeita kuvausjohtajalle pelkän toiveen sijaan. Tämä oppitunti opettaa sinulle tämän sanaston ja sen jäsentämisen.
Ammattimaisen visuaalisen kehotteen anatomia
Edistynyt kehote jakautuu kerroksiin, joista jokainen vastaa eri kysymykseen: kuka tai mitä, miten aseteltuna, miten valaistuna, mistä kuvattuna, missä tyylilajissa ja millaisin optisin ominaisuuksin. Näiden kerrosten nimeäminen eksplisiittisesti kehotetekstissä (“Aihe: … Sommittelu: … Valaistus: …”) auttaa mallia välttämään tyylilajien sekoittumista. Alla oleva esimerkki kuvaa arkkitehtia työhuoneellaan: aihe sijoittuu kolmasosäsäännön mukaan vasempaan kolmannekseen, valo tulee sivusuunnassa suurista ikkunoista, kamera on hienovaraisessa ala-kuvakulmassa 35 mm:n polttovälillä, tyylilaji on lämmin, desaturoitu editoriaalinen dokumentaarinen valokuvaus, ja syvyysterävyys jättää taustan pehmeään bokehiin. Jokainen näistä kuudesta lauseesta poistaa yhden vapauden, jonka malli muuten käyttäisi satunnaisesti.
from openai import OpenAI
import base64
client = OpenAI()
def prompt_multicouche(
sujet: str,
composition: str,
eclairage: str,
perspective: str,
style: str,
details_techniques: str,
output: str
):
"""Rakentaa monikerroksisen kehotteen maksimaalista hallintaa varten."""
prompt = (
f"Subject: {sujet}. "
f"Composition: {composition}. "
f"Lighting: {eclairage}. "
f"Perspective: {perspective}. "
f"Style: {style}. "
f"Technical details: {details_techniques}."
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1536x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open(output, "wb") as f:
f.write(data)
print(f"Advanced image: {output}")
return prompt
prompt_utilise = prompt_multicouche(
sujet="Architect working on blueprints in a bright studio",
composition="Rule of thirds, subject at left third, depth with multiple planes",
eclairage="Lateral natural light from large windows, soft shadows",
perspective="Slightly low angle (subtle low-angle shot), 35mm focal length",
style="Editorial documentary photography, warm desaturated tones",
details_techniques="Medium depth of field, sharp foreground, light background bokeh",
output="architecte_atelier.png"
)
Sommittelun hallinta
Sommittelu määrää, miten katsojan silmä liikkuu kuvassa, ja hallitset sitä nimeämällä sääntöjä, jotka malli tunnistaa.
Klassiset sommittelusäännöt
Alla oleva sanakirja kokoaa viisi suurta sommitteluperhettä ja soveltaa niitä tarkoituksellisesti samaan aiheeseen – eristettyyn majakkaan bretagnelaisella kalliolle – jotta vertailu keskittyy yksinomaan lavastukseen. Kolmasosäsääntö sijoittaa majakan voimaviivojen leikkauspisteeseen ja tuottaa “luonnollisimman” kuvan; Wes Anderson -symmetria keskittää pystyakselin ja lisää heijastuksen veteen; diagonaali luo jännitettä vasemmasta alakulmasta oikeaan yläkulmaan; kehys kehyksessä saa sinut tarkastelemaan majakkaa kaaren tai ikkunan läpi, luoden välitöntä syvyyttä; lopuksi minimalistinen sommittelu pelkistää majakan pieneksi pisteeksi valtavaan negatiiviseen tilaan, muuttaen aiheen pelkäksi tekosyyksi. Viisi kuvaa samasta majakasta, viisi erilaista väittämää.
from openai import OpenAI
import base64
client = OpenAI()
compositions = {
"regle_des_tiers": (
"Rule of thirds composition, subject positioned at the intersection "
"of power lines (right third, bottom third)"
),
"symetrie": (
"Perfectly symmetrical composition, central vertical axis, "
"reflections in water, Wes Anderson style"
),
"diagonale": (
"Dynamic diagonal composition, power line from "
"bottom-left corner to top-right corner"
),
"cadre_dans_cadre": (
"Frame within a frame: subject viewed through an arch, "
"a window, or a natural framing"
),
"minimaliste": (
"Minimalist composition, huge negative space, "
"small isolated subject in a vast environment"
),
}
sujet_base = "An isolated lighthouse on a Breton cliff facing the sea"
for nom, composition in compositions.items():
prompt = f"{sujet_base}, {composition}, landscape photography"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1536x1024",
quality="high",
)
path = f"composition_{nom}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Composition {nom} → {path}")
Tasot ja syvyys
Syvyyttä ei pyydetä kokonaisuutena, vaan se rakennetaan taso kerrallaan. Seuraava kehote kuvaa provencelaista toria määrittämällä eksplisiittisesti sisällön ja terävyyden kullekin kolmelle tasolle: saippuat ja laventeli etualalla, täysin terävänä; myyjä ja asiakas keskitasossa, hieman sumeana; kultaiset kivijulkisivut ja plataanit taustalla, voimakkaalla bokehilla. Lopullinen maininta 50 mm:n objektiivista, joka on avattu arvoon f/1.8, vain vahvistaa optisesti sen, minkä kuvaus on jo todennut – ja juuri tämä tarkoituksellinen redundanssi tekee tuloksesta luotettavan.
from openai import OpenAI
import base64
client = OpenAI()
prompt_profondeur = (
"Provençal market scene with three distinct planes: "
"sharp foreground—display of lavender and artisanal soaps, "
"middle ground—vendor and customer in conversation, slight blur, "
"background—golden stone facades and plane trees, pronounced bokeh. "
"Photography with 50mm f/1.8 lens, shallow depth of field."
)
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt_profondeur,
size="1536x1024",
quality="high",
)
data = base64.b64decode(response.data[0].b64_json)
with open("marche_profondeur.png", "wb") as f:
f.write(data)
Valaistuksen hallinta
Valaistus on tehokkain työkalu tunnelman luomiseen ja kustannustehokkain käytettyjen merkkien määrään nähden. Kuusi asetelmaa kattaa useimmat tarpeet, ja alla oleva silmukka soveltaa niitä kaikkia samaan keskittyneen viulistin muotokuvaan. Rembrandt-valaistus, jossa on yksittäinen lähde 45 asteen kulmassa ja kolmionmuotoinen valopilkku vastakkaisella poskella, antaa klassisen studiomuotokuvan. Reunavalo (rim light) sijoittaa lähteen kohteen taakse ja jättää vain ääriviivojen halo-efektin, tuottaen siluettikuvan. Jakautunut valaistus (split lighting) jakaa kasvot kahtia, toinen puoli valaistuna, toinen varjossa, siirtäen välittömästi elokuvalliseen tyylilajiin. Kultainen hetki tuo viistoa kultaisen sävyistä valoa ja sen nostalgisen linssiheijastuman, kaupunkien neonvalot tuovat vaaleanpunaisia ja syaaninvärisiä lähteitä, jotka heijastuvat märjille pinnoille, ja high-key-studiovalo tuo varjottoman tasaisuuden ja kaupallisen valkoisen taustan. Sama aihe muuttuu vuoroin intiimiksi, mystiseksi tai mainosvalmiiksi.
from openai import OpenAI
import base64
client = OpenAI()
eclairages_avances = {
"rembrandt": (
"Rembrandt lighting: single source at 45 degrees, triangular highlight "
"on opposite cheek, deep dramatic shadows"
),
"rim_light": (
"Backlighting (rim light): silhouette outlined by a luminous halo, "
"source directly behind subject, details in shadows"
),
"split": (
"Split lighting: half face lit, half in shadow, "
"clear separation, mysterious cinematic atmosphere"
),
"golden_hour": (
"Golden hour: raking golden light, long warm shadows, "
"subtle lens flare, soft nostalgic atmosphere"
),
"neon": (
"Urban neon lighting: multiple pink and cyan sources, "
"reflections on wet surfaces, nocturnal cyberpunk atmosphere"
),
"studio_high_key": (
"High-key studio: uniformly bright lighting, minimal shadows, "
"white background, clean commercial atmosphere"
),
}
sujet = "Portrait of a focused violinist"
for nom, eclairage in eclairages_avances.items():
prompt = f"{sujet}, {eclairage}"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1536",
quality="high",
)
path = f"eclairage_{nom}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Lighting {nom} → {path}")
Perspektiivin hallinta
Perspektiivi vaikuttaa siihen, miten katsoja hahmottaa aiheen, ja sen vaikutus on lähes aina psykologinen ennen kuin esteettinen. Yläkuva katsoo alaspäin kohti ja pienentää kohdetta; alakuvakulma, kamera maan tasolla, suurentaa aihetta ja antaa sille voimaa; täysin pystysuora ilmakuva poistaa tilavuuden ja muuttaa todellisuuden graafiseksi kuvioksi; matoperspektiivi vie alakuvakulman äärimmilleen, saaden kaikki pakopisteet suppeneamaan taivasta kohti; lopuksi silmien korkeudelta otettu kuva 50 mm:n polttovälillä toistaa ihmisen näkökyvyn ja väistyy aiheen tieltä. Lasi- ja teräspilvenpiirtäjissä ero näiden viiden kuvan välillä ei ole rakennuksessa, vaan suhteessa, jonka ne siihen luovat. Huomaa, että silmukka vaihtaa pystymuotoon kahdelle alakuvakulmalle, koska rakennuksen alakuvassa tarvitaan korkeutta hengittää.
from openai import OpenAI
import base64
client = OpenAI()
perspectives = {
"plongee": (
"High-angle view (top-down), camera overlooking the scene, "
"domination effect, subject viewed from above at 45 degrees"
),
"contre_plongee": (
"Low-angle view (bottom-up), camera at ground level looking up, "
"effect of grandeur and power"
),
"aerienne": (
"Drone aerial view, perfectly vertical (90 degrees), "
"graphic composition, textures and patterns visible from above"
),
"worm_eye": (
"Worm's-eye view, camera placed on ground, extreme perspective "
"with vanishing lines converging toward the sky"
),
"eye_level": (
"Eye-level view, natural and immersive, "
"50mm focal length, like human vision"
),
}
sujet = "Modern glass and steel skyscrapers"
for nom, perspective in perspectives.items():
prompt = f"{sujet}, {perspective}, architectural photography"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1536" if nom in ["contre_plongee", "worm_eye"] else "1536x1024",
quality="high",
)
path = f"perspective_{nom}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Perspective {nom} → {path}")
Uudelleenkäytettävä kehotteiden rakentaja
Seitsemän kerroksen ketjuttaminen käsin jokaisessa skriptissä saa ennemmin tai myöhemmin sinut unohtamaan yhden tai vaihtamaan kaksi paikkaa. PromptBuilder-luokka ratkaisee tämän tarjoamalla yhden metodin kutakin kerrosta kohti ja palauttamalla self:n jokaisessa kutsussa, mikä mahdollistaa asetusten ketjuttamisen luettavassa järjestyksessä ja vain osan määrittämisen. build()-metodi kokoaa aiheen ja täytetyt kerrokset tekstiksi, joka on valmis välitettäväksi funktiolle client.images.generate(). Merenrantakahvilan esimerkki toteuttaa kaikki seitsemän käytettävissä olevaa kerrosta – sommittelu, valaistus, perspektiivi, tyyli, värit, tunnelma, tekniikka – ja tuottaa kehotteen, jota mikään improvisaatio ei tekisi näin täydelliseksi.
class PromptBuilder:
"""Rakentaja jäsennellyille visuaalisille kehotteille."""
def __init__(self, sujet: str):
self.sujet = sujet
self.layers = {}
def composition(self, desc: str):
self.layers["composition"] = desc
return self
def eclairage(self, desc: str):
self.layers["lighting"] = desc
return self
def perspective(self, desc: str):
self.layers["perspective"] = desc
return self
def style(self, desc: str):
self.layers["style"] = desc
return self
def couleurs(self, desc: str):
self.layers["color palette"] = desc
return self
def atmosphere(self, desc: str):
self.layers["atmosphere"] = desc
return self
def technique(self, desc: str):
self.layers["technique"] = desc
return self
def build(self) -> str:
parts = [self.sujet]
for key, value in self.layers.items():
parts.append(f"{key}: {value}")
return ". ".join(parts)
# Käyttö
prompt = (
PromptBuilder("Artisanal seaside café, terrace with umbrellas")
.composition("Rule of thirds, terrace in foreground, sea at horizon")
.eclairage("Late afternoon, raking golden light, long shadows")
.perspective("Slight high angle, 28mm wide-angle focal length")
.style("Lifestyle photography, warm tones, analog film")
.couleurs("Terracotta, Mediterranean blue, off-white, olive green")
.atmosphere("Relaxed and Mediterranean, sea breeze")
.technique("Deep depth of field, sharp from foreground to infinity")
.build()
)
print(prompt)
# Käytä tätä kehotetta funktiossa client.images.generate()
Ota nyt tämä työkalupakki haltuusi yhden vaativan aiheen avulla: vanha kirjasto. Tuota viisi kuvaa käyttämällä PromptBuilder-luokkaa vaihtelemalla systemaattisesti sommittelua, valaistusta ja perspektiiviä, ja kokoa ne sitten HTML-luetteloksi. Viiden kuvan näkeminen vierekkäin on tapa, jolla opit, mitkä näistä kerroksista merkitsevät eniten omassa käytännössäsi.