Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Afbeeldingen genereren vanuit een prompt

Les 2 van 12 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Afbeeldingen genereren vanuit een prompt
  2. Anatomie van een generatieaanroep
  3. De gegenereerde afbeelding ophalen
  4. Meerdere afbeeldingen genereren in één aanroep
  5. Effectieve prompts schrijven
  6. Foutafhandeling

Bijgewerkt op 2 november 2026 — Afbeeldingsmodellen. gpt-image-1, het model waarvoor deze cursus oorspronkelijk is geschreven, is op 23 oktober 2026 stopgezet. gpt-image-1.5, gpt-image-1-mini en chatgpt-image-latest worden op 1 december 2026 buiten gebruik gesteld. De voorbeelden gebruiken nu gpt-image-2.5-sunburst, dat de hoogste precisie biedt voor bewerkingen; gpt-image-2.5-flare is sneller voor standaardgeneratie. Beide modellen ondersteunen ook de kwaliteitsinstellingen xhigh en max. GPT Image-modellen retourneren afbeeldingen altijd in base64: de parameter response_format die door oudere DALL·E-modellen werd gebruikt, wordt niet ondersteund en is uit de code verwijderd. Bron: Image generation (OpenAI).

Afbeeldingen genereren vanuit een prompt

De methode client.images.generate() is uw belangrijkste toegangspunt om een afbeelding te maken op basis van een tekstbeschrijving. Deze methode vertrouwt op slechts een handvol parameters, maar juist omdat er zo weinig zijn, telt elke parameter: het verschil tussen een willekeurig resultaat en een voorspelbaar resultaat hangt bijna volledig af van de inhoud van het veld prompt. In deze les leert u beide onder de knie te krijgen.

Anatomie van een generatieaanroep

Hier is de volledige structuur van een aanroep met alle beschikbare parameters.

from openai import OpenAI

client = OpenAI()

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Gedetailleerde beschrijving van de gewenste afbeelding",
    n=1,
    size="1024x1024",
    quality="high"
)
ParameterTypeBeschrijving
modelstring"gpt-image-2.5-sunburst" (meest precies) of "gpt-image-2.5-flare" (snelste)
promptstringBeschrijving van de afbeelding (tot 32.000 tekens)
nintegerAantal te genereren afbeeldingen (1 tot 10)
sizestring"1024x1024", "1024x1536", "1536x1024"
qualitystring"low", "medium", "high"

De limiet van 32.000 tekens voor de prompt is ruim: deze maakt zeer gedetailleerde beschrijvingen mogelijk, en u zult zo zien dat detail uw beste hefboom is voor controle.

De gegenereerde afbeelding ophalen

Het antwoord bevat een data-object dat de afbeeldingen bevat. GPT Image-modellen retourneren de afbeelding altijd gecodeerd in base64 binnen het veld b64_json: u decodeert deze en schrijft deze direct weg naar de schijf. De parameter response_format en tijdelijke URL’s van oudere DALL·E-modellen zijn niet van toepassing op GPT Image.

import base64

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Een Japanse tuin in de regen, fotografie",
    n=1,
    size="1024x1024",
)

image_data = base64.b64decode(response.data[0].b64_json)

with open("garden.png", "wb") as f:
    f.write(image_data)

print("Afbeelding opgeslagen: garden.png")

Zodra het bestand is weggeschreven, hangt niets meer af van OpenAI: dit is het bestand dat u opslaat, serveert of verder bewerkt.

Meerdere afbeeldingen genereren in één aanroep

Met de parameter n vraagt u meerdere varianten aan in één verzoek. Maak dit tot uw standaardreflex wanneer u een visuele richting verkent zonder te weten welke u wilt behouden: vier voorstellen naast elkaar informeren u veel beter dan één enkel voorstel.

import base64
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt="Minimalistisch logo voor een ambachtelijke bakkerij, witte achtergrond",
    n=4,
    size="1024x1024",
    quality="high"
)

for i, image in enumerate(response.data):
    with open(f"logo_{i+1}.png", "wb") as f:
        f.write(base64.b64decode(image.b64_json))
    print(f"Variant {i+1}: logo_{i+1}.png")

Let echter op uw kosten: elke afbeelding verbruikt onafhankelijk tokens, en het genereren van 4 afbeeldingen kost 4 keer zoveel als één enkele. Verken met een hoge n en lage kwaliteit, en reserveer hoge kwaliteit voor de definitieve selectie.

Effectieve prompts schrijven

De kwaliteit van het resultaat hangt direct af van de precisie van uw prompt. Een goede prompt volgt een eenvoudige structuur—onderwerp + stijl + context + technische details—en de onderstaande vergelijking maakt het verschil tastbaar: “een huis” laat het model alles bedenken wat u niet hebt gezegd, terwijl de uitgewerkte versie het materiaal, de kleur van de luiken, het tijdstip, het redactionele register en de optische behandeling vastlegt.

# Vage prompt — onvoorspelbaar resultaat
weak_prompt = "een huis"

# Gestructureerde prompt — gecontroleerd resultaat
strong_prompt = (
    "Provençaals landhuis in blonde steen, "
    "lavendelblauwe luiken, klimop op de gevel, "
    "gefotografeerd tijdens het gouden uur, "
    "redactionele stijl voor architectuurtijdschrift, "
    "gecentreerde compositie, scherptediepte"
)

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=strong_prompt,
    size="1536x1024",
    quality="high"
)

Declareer de visuele stijl op dezelfde manier, door een medium te benoemen in plaats van te hopen op een intentie. GPT Image begrijpt een grote verscheidenheid aan registers, en de volgende lus laat u het verschil voelen tussen hen op een strikt identiek onderwerp: de fiets voor het Parijse café verandert volledig van aard, afhankelijk van of u een redactionele foto, een platte vectorillustratie of een potloodschets aanvraagt.

import base64
styles = [
    "redactionele fotografie, studiobelichting",
    "platte vectorillustratie",
    "aquarel op getextureerd papier",
    "fotorealistische 3D-render, Octane Render",
    "potloodschets op kraftpapier",
]

for style in styles:
    prompt = f"Een vintage fiets geparkeerd voor een Parijs café, {style}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"fiets_{styles.index(style) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Stijl: {style} → {filename}")

Tekst die in de afbeelding is ingebed, verdient een aparte opmerking, omdat dit het punt is waarop GPT Image zich duidelijk onderscheidt van zijn voorgangers. Geef het bericht tussen aanhalingstekens in de prompt, specificeer de lettertypefamilie en de verwachte grafische behandeling, en de weergave zal leesbaar zijn.

response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Promotieposter met de tekst \"ZOMERUITVERKOOP -50%\" "
        "in grote witte letters op een blauw-oranje verloopachtergrond, "
        "modern sans-serif typografie, professionele commerciële stijl"
    ),
    size="1024x1536",
    quality="high"
)

Foutafhandeling

Een generatiescript dat in een lus draait, zal uiteindelijk een snelheidslimiet of een API-fout tegenkomen. Behandel deze twee gevallen vanaf het begin onderscheidend: een RateLimitError vereist wachten en opnieuw proberen, terwijl een APIError vereist dat u het bericht onderzoekt voordat u iets opnieuw lanceert.

import base64
from openai import OpenAI, APIError, RateLimitError

client = OpenAI()

try:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Een besneeuwd berglandschap bij zonsopgang",
        size="1024x1024"
    )
    with open("mountain.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))

except RateLimitError:
    print("Verzoekslimiet bereikt. Wacht voordat u het opnieuw probeert.")

except APIError as e:
    print(f"API-fout: {e.message}")

Om dit alles te verankeren, schrijft u nu een script dat drie varianten van hetzelfde onderwerp genereert in drie verschillende stijlen—foto, illustratie, aquarel—en elke afbeelding lokaal opslaat in PNG-formaat, waarbij het base64-formaat wordt gebruikt voor ophalen.