Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Vertailu usean kuvan välillä

Oppitunti 8 / 12 Päivitetty 30. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. Usean kuvan analysointi yhdessä pyynnössä
  2. Usean kuvan pyynnön rakenne
  3. Käyttötapaus: Ennen/jälkeen-vertailu
  4. Käyttötapaus: Ajallinen seuranta
  5. Käyttötapaus: Laadunvalvonta
  6. Käyttötapaus: Kilpailuanalyysi
  7. Usean kuvan pyyntöjen optimointi
  8. Keskeiset asiat

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