Vertailu usean kuvan välillä
Tällä sivulla
Usean kuvan analysointi yhdessä pyynnössä
Yksi Grok Visionin vahvuuksista on mahdollisuus lähettää rajoittamaton määrä kuvia yhdessä pyynnössä. Tämä avaa ainutlaatuisia mahdollisuuksia vertailuun, ajalliseen seurantaan ja ristiinanalyysiin, joita yhden kuvan rajapinnat eivät tarjoa.
Usean kuvan pyynnön rakenne
Muotoilu on yksinkertaista: lisää tarvittava määrä input_image-objekteja input-taulukkoon ja lomita niiden väliin tekstiä ohjaamaan analyysiä:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "Kuva A:"},
{"type": "input_image", "image_url": url_image_a},
{"type": "input_text", "text": "Kuva B:"},
{"type": "input_image", "image_url": url_image_b},
{"type": "input_text", "text": "Vertaa näitä kahta kuvaa yksityiskohtaisesti."}
]
)
Kunkin kuvan nimeäminen tekstillä (esim. “Kuva A”, “Kuva B”) auttaa mallia jäsentelemään vastauksensa ja viittaamaan selkeästi kuhunkin kuvaan.
Käyttötapaus: Ennen/jälkeen-vertailu
Ihanteellinen projektin seurantaan, remontteihin, suunnitteluun tai laadunvalvontaan:
def comparer_avant_apres(url_avant, url_apres):
prompt = """Vertaa näitä kahta kuvaa (ennen ja jälkeen) ja tunnista:
1. Tärkeimmät muutokset
2. Muuttumattomat elementit
3. Havaittavat parannukset
4. Mahdolliset uudet ongelmat
Esitä vastauksesi jäsenneltynä listana."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "ENNEN:"},
{"type": "input_image", "image_url": url_avant, "detail": "high"},
{"type": "input_text", "text": "JÄLKEEN:"},
{"type": "input_image", "image_url": url_apres, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Käyttötapaus: Ajallinen seuranta
Seuraa sijainnin, tuotteen tai prosessin kehitystä ajan myötä:
def analyser_evolution(images_chronologiques):
"""images_chronologiques: lista muotoa {"url": ..., "date": ...}"""
input_data = []
for img in images_chronologiques:
input_data.append({
"type": "input_text",
"text": f"Valokuva päivämäärältä {img['date']}:"
})
input_data.append({
"type": "input_image",
"image_url": img["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Analysoi näissä kuvissa näkyvää kronologista kehitystä.
Tunnista progressiiviset muutokset, trendit
ja kaikki huomionarvoiset tapahtumat eri päivämäärien välillä."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Käyttötapaus: Laadunvalvonta
Vertaa valmistettua tuotetta sen referenssimalliin:
def controle_qualite(url_reference, url_produit):
prompt = """Vertaa valokuvattua tuotetta referenssimalliin.
Tunnista:
1. Vaatimustenmukaisuus (mitä vastaa mallia)
2. Poikkeamat (poikkeavuudet, viat, erot)
3. Kunkin poikkeaman vakavuus (pieni, suuri, kriittinen)
Palauta JSON-muodossa:
{
"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": "REFERENSSI (odotettu malli):"},
{"type": "input_image", "image_url": url_reference, "detail": "high"},
{"type": "input_text", "text": "TARKISTETTAVA TUOTE:"},
{"type": "input_image", "image_url": url_produit, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Käyttötapaus: Kilpailuanalyysi
Vertaa kilpailijoiden käyttöliittymiä, pakkauksia tai tuote-esittelyitä:
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": """Vertaa näitä kilpailijoiden tuotteita/käyttöliittymiä.
Tunnista kullekin visuaaliset vahvuudet ja heikkoudet.
Anna sijoittumissuositus."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Usean kuvan pyyntöjen optimointi
Kun lähetät paljon kuvia, tokenien kulutus kasvaa nopeasti. Tässä on muutama optimointistrategia:
Säädä tarkkuustasoa
Käytä arvoa low yleisiin vertailuihin ja high vain hienojen yksityiskohtien analysointiin:
# Yleinen vertailu: low riittää
detail = "low" # ~256 tokenia per kuva
# Vika-analyysi: high vaaditaan
detail = "high" # ~1024-1792 tokenia per kuva
Rajoita kuvien määrää pyyntöä kohden
Vaikka kovaa rajaa ei ole, yli 10–15 kuvalla analyysin laatu voi heiketä. Mallilla on äärellinen konteksti, jonka sen on jaettava kaikkien kuvien kesken:
# Jos kuvia on yli 10, käsittele erissä
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)
Muuta kuvien kokoa
Jos vertaat korkean resoluution valokuvia yleisanalyysiä varten, pienennä niitä ennen lähetystä tokenien vähentämiseksi:
def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
img = Image.open(chemin)
img.thumbnail(taille_max)
# ... koodaa base64-muotoon
Keskeiset asiat
- Kuvien määrä pyyntöä kohden on rajoittamaton – tämä on xAI-rajapinnan keskeinen etu
- Nimeä jokainen kuva tekstillä analysin jäsentelemiseksi
- Säädä
detail-parametri vertailun tyypin mukaan - Yli 10–15 kuvalla käsittele data erissä laadun säilyttämiseksi
- Käyttötapauksia ovat: ennen/jälkeen-vertailu, ajallinen seuranta, laadunvalvonta ja kilpailuanalyysi