Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képek és fotók elemzése

12. lecke 18 közül Frissítve 2026. november 5. Kezdő
Ezen az oldalon
  1. ChatGPT Vision: Képek megértése
  2. Kép küldése a ChatGPT-nek
  3. Mit tesz lehetővé a Vision a mindennapi munkában?
  4. Mi választja el a jó elemzést a rossztól?
  5. Ismerendő korlátok
  6. Rajtad a sor
  7. Főbb megállapítások

ChatGPT Vision: Képek megértése

A ChatGPT nem korlátozódik csak a szövegre: minden modell képes képeket is fogadni. Fotókat, képernyőmentéseket, diagramokat, lefotózott dokumentumokat és ábrákat ír le, olvas el és kommentál. Az érték azonnali, mivel ez a funkció kiküszöböli az átírási lépést: leírás helyett egyszerűen megmutatod. Ez elérhető az ingyenes és a fizetős csomagokban is, az egyes csomagok kvótáinak függvényében.

Kép küldése a ChatGPT-nek

Weben és asztali alkalmazásban három út vezet ugyanahhoz az eredményhez: a beviteli mezőben található + gomb, majd a Fotók és fájlok hozzáadása; egy kép behúzása (drag-and-drop) a beviteli mezőbe; vagy egy vágólapról másolt kép beillesztése (Ctrl+V vagy Cmd+V). Mobilon ugyanaz a + gomb szolgál egy fotó hozzáadására, legyen az frissen készített vagy régebbi; iPhone-on a + gomb hosszú megnyomása közvetlenül megnyitja a legutóbbi fotóidat. A ChatGPT elfogadja a PNG, JPEG és nem animált GIF formátumokat, képenként legfeljebb 20 MB méretig.

Nem kell egyszerre csak egy képet küldened. Több vizuális elem egyetlen üzenetbe foglalása lehetővé teszi az összehasonlítás kérését, és a beszélgetés előrehaladtával újabb képeket is hozzáadhatsz a mélyebb elemzéshez vagy a szempontok váltásához.

Mit tesz a Vision, és mik a korlátai Két oszlop. Amiben jó: diagramok kommentálása, szöveg olvasása és kinyerése dokumentumokból, képernyők magyarázata, több kép összehasonlítása. Hivatalos korlátai: nincs szakorvosi képelemzés, kevésbé megbízható nem latin betűs ábécéknél, csak vonalstílus alapján megkülönböztetett görbék, a pontos értékek nem garantáltak. KÉPEK ELEMZÉSE Mit tesz a Vision, és mik a korlátai Amiben jó Diagramok Trendek, rendellenességek, következtetések Dokumentumok Olvasás, átírás, kinyerés Képernyők Hibaüzenetek, weboldalak Összehasonlítások Több kép egyetlen üzenetben Hivatalos korlátai Orvosi Nincsenek szakorvosi képek Ábécék Japán, koreai: kevésbé megbízható Görbék Csak vonalstílus alapján megkülönböztetve Számok A pontos értékek nem garantáltak PNG, JPEG vagy nem animált GIF, képenként legfeljebb 20 MB.
Az OpenAI Súgóközpont „ChatGPT Image Inputs FAQ“ című cikke alapján (2026. november).

Mit tesz lehetővé a Vision a mindennapi munkában?

Az első és legértékesebb felhasználási eset a diagramok elemzése. Készíts egy képernyőmentést egy éves jelentésből, egy irányítópultról vagy egy prezentációból, és kérd meg a ChatGPT-t, hogy kommentálja azt ahelyett, hogy neked kellene megfejtened.

[diagram képe] „Elemezd ezt a diagramot. Mik a főbb trendek? Van-e rendellenesség? Foglald össze a következtetéseket 3 pontban.“

Ezt követi a dokumentumolvasás: a ChatGPT elolvassa a képen található szöveget. „Írd át a szöveget ebből a dokumentumból, majd foglald össze 3 mondatban.“ Ugyanez a megközelítés működik számlák esetén is, ahol a strukturált kinyerés megspórolja a manuális adatbevitelt – „Nyerd ki az adatokat ebből a számlából: szállító, dátum, nettó összeg, ÁFA, bruttó összeg.“ –, valamint fordításnál, amikor idegen nyelvű táblát vagy étlapot fotózol le.

Az azonosítás alkotja a harmadik kategóriát: egy képernyőn megjelenő hibaüzenet, amelynek jelentését és megoldását keresed; egy tárgy, amelynek a nevét tudni szeretnéd; vagy egy étel, amelyhez hasonló receptet keresel. Végül a Vision szakmai kritikusként is szolgálhat vizuális anyagokhoz.

[weboldal képernyőmentése] „Elemezd ezt a kezdőlapot. Erősségek és gyengeségek a felhasználói élmény szempontjából. Javasolj 3 konkrét fejlesztést.“

Mi választja el a jó elemzést a rossztól?

Az eredmény minősége elsősorban a kép minőségétől függ. Az OpenAI azt javasolja, hogy nagyítsd fel az olvasandó szöveget anélkül, hogy levágnád a fontos részleteket, és kerüld a forgatott vagy fejjel lefelé álló képeket, valamint a panoráma vagy „halszem“ nézeteket, mivel ezeket a rendszer gyakran félreértelmezi. Ha egy adott területre szeretnéd felhívni a figyelmet, annotáld (jelöld meg) a képet elküldés előtt, például a telefonod szerkesztőeszközével.

A második változó a képet kísérő szöveg. A „Mi ez?“ kérdés általános, gyakran haszontalan leírást vált ki. Ezzel szemben az „Íme az első negyedéves értékesítési diagramunk: elemezd a trendet és azonosítsd a problémás hónapokat“ cselekvőképes választ generál. Ez az elv akkor is érvényes, amikor több vizuális elemet kombinálsz: „Íme a versenytársam logója [kép]. Hasonlítsd össze a miénkkel [kép]. Mi az egyes logók vizuális pozicionálása?“

Ismerendő korlátok

Maga az OpenAI teszi közzé a korlátok listáját. A modellt nem szakorvosi képek, például CT-felvételek értelmezésére tervezték, és nem szolgálhat orvosi tanácsadásként. Kevésbé megbízhatóan olvas szöveget nem latin betűs ábécékből, például japánból vagy koreából. Hibázhat olyan diagramoknál, ahol csak a szín vagy a vonalstílus (folytonos, szaggatott, pontozott) különbözteti meg a görbéket, pontos lokalizációs feladatoknál, mint például egy sakkállás leolvasása, és csak hozzávetőleges számlálást végez. Nem olvassa el a fájlnevet vagy a metaadatokat, és a kép elemzés előtt átméretezésre kerül.

Egy figyelmeztetés kiemelést érdemel: a képről (például lefotózott táblázat vagy szkennelt PDF) olvasott számok esetén a pontos értékek kinyerése nem megbízható. Amikor a pontosság számít, küldd el az eredeti táblázatot vagy szöveges fájlt helyette, és manuálisan ellenőrizd le mindent, ami döntést befolyásol. Videókat végül csatolmányként lehet hozzáadni, még az ingyenes csomagban is, de elemzésük részleges lehet.

Rajtad a sor

Három próbálkozás. Fotózz le vagy készíts képernyőmentést egy jelentés oldaláról vagy egy számláról, és kérd a kulcsfontosságú információk táblázatba rendezését; ellenőrizd le minden összeget. Ezután készíts egy képet egy cikkből vagy irányítópultról származó diagramról, és kérj trendelemzést. Végül készíts egy fotót bármilyen tárgyról, és küldd el kétszer: egyszer utasítások nélkül, egyszer pedig egy konkrét kérdéssel. Hasonlítsd össze a két válasz mélységét.

Hivatalos források: ChatGPT Image Inputs FAQ (OpenAI Súgóközpont: csomagok, formátumok, képek hozzáadása, korlátok) · Data analysis with ChatGPT (szkennelt vagy képalapú táblázatok) · ChatGPT capabilities overview (képelemzés)

Főbb megállapítások

  • Minden ChatGPT modell elemez fotókat, képernyőmentéseket, diagramokat és lefotózott dokumentumokat, minden csomagban
  • Küldj képet a + gombbal, behúzással, beillesztéssel, vagy mobilon a fotóid közül
  • Egy konkrét kérdés és egy éles kép többet ér, mint egy homályos „mi ez?“
  • Hivatalos korlátok: orvosi képek, nem latin betűs ábécék, csak stílus alapján megkülönböztetett görbék, számlálás
  • A képről olvasott számok nem feltétlenül pontosak: előnyben részesítsd az eredeti fájlt