Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Salīdzināšana ar vairākiem attēliem

Nodarbība 8 no 12 Atjaunota 2026. gada 30. jūlijs Iesācējs
Šajā lapā
  1. Vairāku attēlu analīze vienā pieprasījumā
  2. Vairāku attēlu pieprasījuma struktūra
  3. Lietošanas gadījums: Salīdzinājums „Pirms/Pēc”
  4. Lietošanas gadījums: Izmaiņu izsekošana laika gaitā
  5. Lietošanas gadījums: Kvalitātes kontrole
  6. Lietošanas gadījums: Konkurences analīze
  7. Vairāku attēlu pieprasījumu optimizēšana
  8. Galvenās atziņas

Vairāku attēlu analīze vienā pieprasījumā

Viena no Grok Vision galvenajām priekšrocībām ir iespēja vienā pieprasījumā nosūtīt neierobežotu attēlu skaitu. Tas paver unikālas iespējas salīdzināšanai, izmaiņu izsekošanai laika gaitā un krustanalīzei, ko viena attēla API nevar piedāvāt.

Vairāku attēlu pieprasījuma struktūra

Formāts ir vienkāršs: pievieno input masīvam tik daudz input_image objektu, cik nepieciešams, mainot tos ar tekstu, lai virzītu analīzi:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "A attēls:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "B attēls:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Detalizēti salīdzini šos divus attēlus."}
    ]
)

Katra attēla marķēšana ar tekstu („A attēls”, „B attēls”) palīdz modelim strukturēt atbildi un skaidri atsaukties uz katru attēlu.

Lietošanas gadījums: Salīdzinājums „Pirms/Pēc”

Ideāli piemērots projektu izsekošanai, renovācijai, dizainam vai kvalitātes kontrolei:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Salīdzini šos divus attēlus (pirms un pēc) un identificē:

1. Galvenās izmaiņas
2. Elementus, kas nav mainījušies
3. Redzamus uzlabojumus
4. Visus potenciālos jaunradītos trūkumus

Snieg atbildi strukturēta saraksta veidā."""

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

Lietošanas gadījums: Izmaiņu izsekošana laika gaitā

Izseko vietas, produkta vai procesa attīstību laika gaitā:

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

    for img in images_chronologiques:
        input_data.append({
            "type": "input_text",
            "text": f"Fotoattēls no {img['date']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": img["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Analizē hronoloģisko attīstību, kas redzama
šajos attēlos. Identificē pakāpeniskas izmaiņas, tendences
un jebkādus ievērojamus notikumus starp dažādiem datumiem."""
    })

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

Lietošanas gadījums: Kvalitātes kontrole

Salīdzini ražotu produktu ar tā atsauces modeli:

def controle_qualite(url_reference, url_produit):
    prompt = """Salīdzini nofotografēto produktu ar atsauces modeli.

Identificē:
1. Atbilstību (kas sakrīt ar modeli)
2. Neatbilstību (novirzes, defekti, atšķirības)
3. Katras neatbilstības smagumu (nenozīmīgs, liels, kritisks)

Atgriez JSON formātā:
{
  "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": "ATSAUCE (paredzētais modelis):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUKTS pārbaudei:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Lietošanas gadījums: Konkurences analīze

Salīdzini konkurentu saskarnes, iepakojumus vai produktu prezentācijas:

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": """Salīdzini šos konkurentu produktus/saskarnes.
Katram identificē vizuālās stiprās un vājās puses.
Sniedz pozicionēšanas ieteikumu."""
    })

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

Vairāku attēlu pieprasījumu optimizēšana

Nosūtot daudz attēlu, tokenu patēriņš strauji pieaug. Lūk, dažas optimizācijas stratēģijas:

Pielāgo detalizācijas līmeni

Izmanto low vispārīgiem salīdzinājumiem un high tikai tad, kad analizē smalkas detaļas:

# Vispārīgs salīdzinājums: pietiek ar low
detail = "low"  # ~256 tokeni uz attēlu

# Defektu analīze: nepieciešams high
detail = "high"  # ~1024-1792 tokeni uz attēlu

Ierobežo attēlu skaitu vienā pieprasījumā

Lai gan stingra limita nav, pārsniedzot 10–15 attēlus, analīzes kvalitāte var pasliktināties. Modelim ir ierobežots konteksts, un tam tas jāsadala starp visiem attēliem:

# Ja attēlu ir vairāk par 10, apstrādā partijās
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)

Maini attēlu izmēru

Ja salīdzini augstas izšķirtspējas fotoattēlus vispārīgai analīzei, pirms nosūtīšanas samazini to izmēru, lai ietaupītu tokenus:

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

Galvenās atziņas

  • Attēlu skaits vienā pieprasījumā ir neierobežots — tā ir xAI API galvenā priekšrocība
  • Marķē katru attēlu ar tekstu, lai strukturētu analīzi
  • Pielāgo parametru detail salīdzinājuma veidam
  • Pārsniedzot 10–15 attēlus, apstrādā tos partijās, lai saglabātu kvalitāti
  • Lietošanas gadījumi ietver: salīdzinājumu „pirms/pēc”, izmaiņu izsekošanu laika gaitā, kvalitātes kontroli un konkurences analīzi