Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képleírás

5. lecke 12 közül Frissítve 2026. július 30. Kezdő
Ezen az oldalon
  1. Hasznos információk kinyerése a képeidből
  2. Általános leírás
  3. Strukturált leírás
  4. Példa: E-kereskedelmi termékadatlapok
  5. Példa: Alternatív szöveg (Akadálymentesítés)
  6. Példa: Tartalommoderálás
  7. Legjobb gyakorlatok a leíráshoz
  8. Főbb megállapítások

Hasznos információk kinyerése a képeidből

Grok OCR - szövegkinyerés egy képből A képleírás a Grok multimodális látási képességeinek legtermészetesebb alkalmazási területe. Küldesz egy képet, felteszel egy kérdést, a modell pedig részletes szöveges elemzéssel válaszol. Bár megtévesztően egyszerűnek tűnik, ez a funkció jelentős lehetőségeket nyit meg a éles környezetben történő használatra.

E-kereskedelem
Automatikus termékadatlapok
Akadálymentesítés
Automatikus alternatív szöveg
Moderálás
Tartalomszűrés
Katalógus
Automatikus indexelés

Általános leírás

A legegyszerűbb kérés egy szabad formátumú leírás bekérése:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": url_image},
        {"type": "input_text", "text": "Describe this image in detail."}
    ]
)

A modell azonosítja a kulcselemeket (tárgyak, emberek, szöveg, színek, kompozíció), és előáll egy leíró bekezdéssel. A legtöbb képnél az auto mód elegendő.

Strukturált leírás

Éles környezetben a szabad formátumú leírások ritkán használhatók közvetlenül. Irányítanod kell a modellt egy strukturált prompttal:

prompt = """Analyze this image and return a JSON with:
- "subject": the main subject in one sentence
- "objects": list of identified objects
- "dominant_colors": the 3 main colors
- "mood": the general mood (bright, dark, warm, etc.)
- "visible_text": any text readable in the image
"""

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": url_image},
        {"type": "input_text", "text": prompt}
    ]
)

Ez a formátum azonnal felhasználható az alkalmazásodban adatbázisok feltöltésére, keresőmotorok optimalizálására vagy katalógusok készítésére.

Példa: E-kereskedelmi termékadatlapok

Kiemelten keresett alkalmazás a termékfotókból történő automatikus termékismertetők generálása:

def generate_product_sheet(image_url):
    prompt = """You are an expert e-commerce copywriter. Based on this
product photo, generate:

1. A catchy product title (max 80 characters)
2. A marketing description (2-3 sentences)
3. Visible features (material, color, shape)
4. Relevant SEO keywords (5 maximum)

Respond in JSON."""

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

A detail: "high" beállítás használatával a modell megragadja a termék finom részleteit (textúrák, címkék, felületkezelés), amelyek gazdagítják a leírást.

Példa: Alternatív szöveg (Akadálymentesítés)

A weboldalad képeihez tartozó alt attribútumok automatikus generálása javítja az akadálymentesítést és a SEO-t:

def generate_alt_text(image_url):
    prompt = """Generate alternative text (alt attribute) for this
web image. The text must:
- Be concise (max 125 characters)
- Describe the content, not the style
- Not start with "Image of" or "Photo of"
- Be useful for a screen reader

Return only the alt text, without quotes."""

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

Itt a low mód elegendő, mivel az alternatív szöveg egy általános leírás, nem pedig részletes elemzés.

Példa: Tartalommoderálás

A látási képességeket arra is használhatod, hogy automatikusan szűrd a felhasználóid által feltöltött képeket:

def moderate_image(image_url):
    prompt = """Analyze this image and classify it:
- "safe": content appropriate for all audiences
- "warning": sensitive content but not prohibited
- "reject": inappropriate content

Return a JSON with "classification" and "reason"."""

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

Legjobb gyakorlatok a leíráshoz

  • Légy pontos a promptodban: A „Írd le ezt a képet“ kérés homályos eredményeket hoz. A „Azonosítsd a termékeket, színeket és a látható szöveget“ sokkal hatékonyabb.
  • Kérj strukturált formátumot (JSON, lista) az automatikus feldolgozás megkönnyítése érdekében.
  • Igazítsd a részletességi szintet az igényhez: low az osztályozáshoz, high a finom elemzéshez.
  • Használd a store: false beállítást érzékeny képeknél vagy olyanoknál, amelyekre a GDPR vonatkozik.

Főbb megállapítások

  • A képleírás a Grok vision alapvető alkalmazási esete.
  • Strukturáld a promptjaidat, hogy használható válaszokat kapj (JSON, listák).
  • Igazítsd a detail paramétert a szükséges pontossági szinthez.
  • A gyakori alkalmazások közé tartozik az e-kereskedelem, az akadálymentesítés és a moderálás.
  • Ne feledd a store: false beállítást érzékeny adatok esetén.