Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Usporedba više slika

Lekcija 8 od 12 Ažurirano 30. srpnja 2026. Početnik
Na ovoj stranici
  1. Analiza više slika u jednom zahtjevu
  2. Struktura zahtjeva s više slika
  3. Slučaj uporabe: Usporedba prije i poslije
  4. Slučaj uporabe: Praćenje kroz vrijeme
  5. Slučaj uporabe: Kontrola kvalitete
  6. Slučaj uporabe: Konkurentska analiza
  7. Optimizacija zahtjeva s više slika
  8. Ključne točke

Analiza više slika u jednom zahtjevu

Jedna od ključnih prednosti Grok Visiona je mogućnost slanja neograničenog broja slika u jednom zahtjevu. To otvara jedinstvene mogućnosti za usporedbu, praćenje kroz vrijeme i unakrsnu analizu koje API-ji za jednu sliku ne mogu ponuditi.

Struktura zahtjeva s više slika

Format je jednostavan: dodaj onoliko objekata input_image koliko ti treba u polje input, ispreplićući ih tekstom koji usmjerava analizu:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Image A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Image B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Compare these two images in detail."}
    ]
)

Označavanje svake slike tekstom („Slika A“, „Slika B“) pomaže modelu da strukturira svoj odgovor i jasno se poziva na svaku sliku.

Slučaj uporabe: Usporedba prije i poslije

Idealno za praćenje projekata, renoviranja, dizajn ili kontrolu kvalitete:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Compare these two images (before and after) and identify:

1. The main changes
2. Elements that have not changed
3. Visible improvements
4. Any potential issues introduced

Present your response as a structured list."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "BEFORE:"},
            {"type": "input_image", "image_url": url_avant, "detail": "high"},
            {"type": "input_text", "text": "AFTER:"},
            {"type": "input_image", "image_url": url_apres, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Slučaj uporabe: Praćenje kroz vrijeme

Prati evoluciju lokacije, proizvoda ili procesa tijekom vremena:

def analyser_evolution(images_chronologiques):
    """images_chronologiques: list of {"url": ..., "date": ...}"""
    input_data = []

    for img in images_chronologiques:
        input_data.append({
            "type": "input_text",
            "text": f"Photo from {img['date']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": img["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Analyze the chronological evolution visible in
these images. Identify progressive changes, trends,
and any notable events between the different dates."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Slučaj uporabe: Kontrola kvalitete

Usporedi proizvedeni proizvod s njegovim referentnim modelom:

def controle_qualite(url_reference, url_produit):
    prompt = """Compare the photographed product to the reference model.

Identify:
1. Compliance (what matches the model)
2. Non-compliance (deviations, defects, differences)
3. Severity of each non-compliance (minor, major, critical)

Return a JSON with:
{
  "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": "REFERENCE (expected model):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUCT to check:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Slučaj uporabe: Konkurentska analiza

Usporedi sučelja, ambalaže ili prezentacije proizvoda konkurenata:

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": """Compare these competitor products/interfaces.
For each, identify visual strengths and weaknesses.
Provide a positioning recommendation."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Optimizacija zahtjeva s više slika

Kada šalješ mnogo slika, potrošnja tokena brzo raste. Evo nekoliko strategija optimizacije:

Prilagodi razinu detalja

Koristi low za opće usporedbe, a high samo kada analiziraš fine detalje:

# Global comparison: low is sufficient
detail = "low"  # ~256 tokens per image

# Defect analysis: high required
detail = "high"  # ~1024-1792 tokens per image

Ograniči broj slika po zahtjevu

Iako ne postoji strogo ograničenje, s više od 10–15 slika kvaliteta analize može opasti. Model ima konačan kontekst i mora ga raspodijeliti na sve slike:

# If more than 10 images, process in batches
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)

Promijeni veličinu slika

Ako uspoređuješ fotografije visoke rezolucije za opću analizu, promijeni im veličinu prije slanja kako bi smanjio broj tokena:

def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
    img = Image.open(chemin)
    img.thumbnail(taille_max)
    # ... encode to base64

Ključne točke

  • Broj slika po zahtjevu je neograničen – to je ključna prednost xAI API-ja
  • Označi svaku sliku tekstom kako bi strukturirao analizu
  • Prilagodi parametar detail vrsti usporedbe
  • Kod više od 10–15 slika obrađuj ih u serijama kako bi održao kvalitetu
  • Slučajevi uporabe uključuju: prije i poslije, praćenje kroz vrijeme, kontrolu kvalitete i konkurentsku analizu