Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Prompts visuels avancés : composition, éclairage, perspective

Les 9 van 12 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Prompts visuels avancés : composition, éclairage, perspective
  2. Anatomie d’un prompt visuel professionnel
  3. Maîtriser la composition
  4. Maîtriser l’éclairage
  5. Maîtriser la perspective
  6. Un générateur de prompts réutilisable

Mise à jour du 2 novembre 2026 — modèles d’image. gpt-image-1, pour lequel ce cours a été initialement rédigé, a été arrêté le 23 octobre 2026, et gpt-image-1.5, gpt-image-1-mini ainsi que chatgpt-image-latest seront retirés le 1er décembre 2026. Les exemples utilisent désormais gpt-image-2.5-sunburst, le modèle le plus précis pour l’édition ; gpt-image-2.5-flare est plus rapide pour la génération standard. Les deux prennent également en charge les paramètres de qualité xhigh et max. Les modèles GPT Image renvoient toujours les images en base64 : le paramètre response_format des anciens modèles DALL·E n’est pas accepté et a été supprimé du code. Source : Image generation (OpenAI).

Prompts visuels avancés : composition, éclairage, perspective

Un prompt bien structuré fait la différence entre une image correcte et une image de qualité professionnelle. Le levier n’est pas la longueur, mais le vocabulaire. GPT Image comprend la terminologie de la photographie, du cinéma et des arts visuels. Parler ce langage revient à donner des directives à un directeur de la photographie plutôt qu’à formuler un vœu. Cette leçon vous enseigne ce vocabulaire et la manière de l’organiser.

Anatomie d’un prompt visuel professionnel

Un prompt avancé se décompose en couches, chacune répondant à une question distincte : qui ou quoi, agencé comment, éclairé comment, vu d’où, dans quel registre, avec quelles caractéristiques optiques. Nommer explicitement ces couches dans le texte du prompt — « Subject: … Composition: … Lighting: … » — aide le modèle à éviter de mélanger les registres. L’exemple ci-dessous décrit un architecte dans son atelier : le sujet occupe le tiers gauche selon la règle des tiers, la lumière provient latéralement de grandes fenêtres, la caméra est placée à un angle légèrement bas avec une focale de 35 mm, le registre est celui de la photographie documentaire éditoriale aux tons chauds désaturés, et la profondeur de champ laisse l’arrière-plan dans un bokeh léger. Chacune de ces six phrases retire une liberté que le modèle exercerait autrement au hasard.

from openai import OpenAI
import base64

client = OpenAI()

def prompt_multicouche(
    sujet: str,
    composition: str,
    eclairage: str,
    perspective: str,
    style: str,
    details_techniques: str,
    output: str
):
    """Construit un prompt multicouche pour un contrôle maximal."""
    prompt = (
        f"Subject: {sujet}. "
        f"Composition: {composition}. "
        f"Lighting: {eclairage}. "
        f"Perspective: {perspective}. "
        f"Style: {style}. "
        f"Technical details: {details_techniques}."
    )

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

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Advanced image: {output}")
    return prompt


prompt_utilise = prompt_multicouche(
    sujet="Architect working on blueprints in a bright studio",
    composition="Rule of thirds, subject at left third, depth with multiple planes",
    eclairage="Lateral natural light from large windows, soft shadows",
    perspective="Slightly low angle (subtle low-angle shot), 35mm focal length",
    style="Editorial documentary photography, warm desaturated tones",
    details_techniques="Medium depth of field, sharp foreground, light background bokeh",
    output="architecte_atelier.png"
)

Maîtriser la composition

La composition détermine le parcours de l’œil dans une image, et vous la contrôlez en nommant des règles que le modèle reconnaît.

Règles de composition classiques

Le dictionnaire ci-dessous rassemble cinq grandes familles compositionnelles et les applique à un sujet intentionnellement identique — un phare isolé sur une falaise bretonne — afin que la comparaison porte uniquement sur la mise en scène. La règle des tiers place le phare à l’intersection des lignes de force et produit l’image la plus « naturelle » ; la symétrie à la Wes Anderson centre l’axe vertical et ajoute un reflet dans l’eau ; la diagonale crée une tension du coin inférieur gauche vers le coin supérieur droit ; le cadre dans le cadre vous fait voir le phare à travers une arche ou une fenêtre, créant une profondeur immédiate ; enfin, la composition minimaliste réduit le phare à un tiny dot dans un vaste espace négatif, transformant le sujet en prétexte. Cinq images du même phare, cinq énoncés différents.

from openai import OpenAI
import base64

client = OpenAI()

compositions = {
    "regle_des_tiers": (
        "Rule of thirds composition, subject positioned at the intersection "
        "of power lines (right third, bottom third)"
    ),
    "symetrie": (
        "Perfectly symmetrical composition, central vertical axis, "
        "reflections in water, Wes Anderson style"
    ),
    "diagonale": (
        "Dynamic diagonal composition, power line from "
        "bottom-left corner to top-right corner"
    ),
    "cadre_dans_cadre": (
        "Frame within a frame: subject viewed through an arch, "
        "a window, or a natural framing"
    ),
    "minimaliste": (
        "Minimalist composition, huge negative space, "
        "small isolated subject in a vast environment"
    ),
}

sujet_base = "An isolated lighthouse on a Breton cliff facing the sea"

for nom, composition in compositions.items():
    prompt = f"{sujet_base}, {composition}, landscape photography"

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

    path = f"composition_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Composition {nom} → {path}")

Plans et profondeur

La profondeur ne se demande pas en bloc ; elle se construit plan par plan. Le prompt suivant décrit un marché provençal en assignant explicitement un contenu et une netteté à chacun des trois plans : savons et lavande au premier plan, parfaitement nets ; le vendeur et son client au plan moyen, légèrement flous ; façades en pierre dorée et platanes à l’arrière-plan, avec un bokeh prononcé. La mention finale d’un objectif 50 mm ouvert à f/1.8 ne fait que confirmer optiquement ce que la description a déjà établi — et c’est cette redondance intentionnelle qui rend le résultat fiable.

from openai import OpenAI
import base64

client = OpenAI()

prompt_profondeur = (
    "Provençal market scene with three distinct planes: "
    "sharp foreground—display of lavender and artisanal soaps, "
    "middle ground—vendor and customer in conversation, slight blur, "
    "background—golden stone facades and plane trees, pronounced bokeh. "
    "Photography with 50mm f/1.8 lens, shallow depth of field."
)

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

data = base64.b64decode(response.data[0].b64_json)
with open("marche_profondeur.png", "wb") as f:
    f.write(data)

Maîtriser l’éclairage

L’éclairage est l’outil le plus puissant pour créer une atmosphère, et le plus rentable en termes de caractères investis. Six configurations couvrent la plupart des besoins, et la boucle ci-dessous les applique toutes au même portrait d’un violoniste concentré. L’éclairage Rembrandt, avec sa source unique à 45 degrés et son triangle lumineux sur la joue opposée, donne le portrait de studio classique. Le contre-jour (rim light) place la source derrière le sujet et ne conserve que le halo de contour, produisant une image en silhouette. L’éclairage split coupe le visage en deux moitiés, l’une éclairée, l’autre dans l’ombre, basculant immédiatement dans un registre cinématographique. L’heure dorée apporte une lumière rasante dorée et son flare nostalgique, le néon urbain apporte des sources roses et cyan reflétées sur des surfaces mouillées, et le studio high-key apporte une uniformité sans ombre et un fond blanc commercial. Le même sujet devient tour à tour intime, mystérieux ou prêt pour la publicité.

from openai import OpenAI
import base64

client = OpenAI()

eclairages_avances = {
    "rembrandt": (
        "Rembrandt lighting: single source at 45 degrees, triangular highlight "
        "on opposite cheek, deep dramatic shadows"
    ),
    "rim_light": (
        "Backlighting (rim light): silhouette outlined by a luminous halo, "
        "source directly behind subject, details in shadows"
    ),
    "split": (
        "Split lighting: half face lit, half in shadow, "
        "clear separation, mysterious cinematic atmosphere"
    ),
    "golden_hour": (
        "Golden hour: raking golden light, long warm shadows, "
        "subtle lens flare, soft nostalgic atmosphere"
    ),
    "neon": (
        "Urban neon lighting: multiple pink and cyan sources, "
        "reflections on wet surfaces, nocturnal cyberpunk atmosphere"
    ),
    "studio_high_key": (
        "High-key studio: uniformly bright lighting, minimal shadows, "
        "white background, clean commercial atmosphere"
    ),
}

sujet = "Portrait of a focused violinist"

for nom, eclairage in eclairages_avances.items():
    prompt = f"{sujet}, {eclairage}"

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high",
    )

    path = f"eclairage_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Lighting {nom} → {path}")

Maîtriser la perspective

La perspective influence la façon dont le spectateur perçoit le sujet, et son effet est presque toujours psychologique avant d’être esthétique. Une vue en plongée regarde la scène de haut et diminue ce qu’elle voit ; une vue en contre-plongée, caméra au niveau du sol, agrandit le sujet et lui donne du pouvoir ; une vue aérienne parfaitement verticale abolit le volume et transforme la réalité en motif graphique ; une vue en contre-plongée extrême (worm’s-eye view) pousse l’angle bas à l’extrême, faisant converger toutes les lignes de fuite vers le ciel ; enfin, une vue à hauteur d’œil avec une focale de 50 mm reproduit la vision humaine et s’efface au profit du sujet. Sur des gratte-ciel en verre et acier, la différence entre ces cinq images ne réside pas dans le bâtiment, mais dans la relation qu’elles établissent avec lui. Notez que la boucle passe au format portrait pour les deux angles bas, car une prise de vue en contre-plongée d’un bâtiment a besoin de hauteur pour respirer.

from openai import OpenAI
import base64

client = OpenAI()

perspectives = {
    "plongee": (
        "High-angle view (top-down), camera overlooking the scene, "
        "domination effect, subject viewed from above at 45 degrees"
    ),
    "contre_plongee": (
        "Low-angle view (bottom-up), camera at ground level looking up, "
        "effect of grandeur and power"
    ),
    "aerienne": (
        "Drone aerial view, perfectly vertical (90 degrees), "
        "graphic composition, textures and patterns visible from above"
    ),
    "worm_eye": (
        "Worm's-eye view, camera placed on ground, extreme perspective "
        "with vanishing lines converging toward the sky"
    ),
    "eye_level": (
        "Eye-level view, natural and immersive, "
        "50mm focal length, like human vision"
    ),
}

sujet = "Modern glass and steel skyscrapers"

for nom, perspective in perspectives.items():
    prompt = f"{sujet}, {perspective}, architectural photography"

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if nom in ["contre_plongee", "worm_eye"] else "1536x1024",
        quality="high",
    )

    path = f"perspective_{nom}.png"
    data = base64.b64decode(response.data[0].b64_json)
    with open(path, "wb") as f:
        f.write(data)
    print(f"Perspective {nom} → {path}")

Un générateur de prompts réutilisable

Concaténer sept couches à la main dans chaque script finira tôt ou tard par vous faire en oublier une ou en intervertir deux. La classe PromptBuilder résout ce problème en exposant une méthode par couche et en renvoyant self à chaque appel, vous permettant d’enchaîner les paramètres dans un ordre lisible et de n’en spécifier que certains. La méthode build() assemble ensuite le sujet et les couches peuplées en un texte prêt à être passé à client.images.generate(). L’exemple du café en bord de mer implémente les sept couches disponibles — composition, éclairage, perspective, style, couleurs, atmosphère, technique — et produit un prompt qu’aucune improvisation ne rendrait aussi complet.

class PromptBuilder:
    """Builder for structured visual prompts."""

    def __init__(self, sujet: str):
        self.sujet = sujet
        self.layers = {}

    def composition(self, desc: str):
        self.layers["composition"] = desc
        return self

    def eclairage(self, desc: str):
        self.layers["lighting"] = desc
        return self

    def perspective(self, desc: str):
        self.layers["perspective"] = desc
        return self

    def style(self, desc: str):
        self.layers["style"] = desc
        return self

    def couleurs(self, desc: str):
        self.layers["color palette"] = desc
        return self

    def atmosphere(self, desc: str):
        self.layers["atmosphere"] = desc
        return self

    def technique(self, desc: str):
        self.layers["technique"] = desc
        return self

    def build(self) -> str:
        parts = [self.sujet]
        for key, value in self.layers.items():
            parts.append(f"{key}: {value}")
        return ". ".join(parts)


# Usage
prompt = (
    PromptBuilder("Artisanal seaside café, terrace with umbrellas")
    .composition("Rule of thirds, terrace in foreground, sea at horizon")
    .eclairage("Late afternoon, raking golden light, long shadows")
    .perspective("Slight high angle, 28mm wide-angle focal length")
    .style("Lifestyle photography, warm tones, analog film")
    .couleurs("Terracotta, Mediterranean blue, off-white, olive green")
    .atmosphere("Relaxed and Mediterranean, sea breeze")
    .technique("Deep depth of field, sharp from foreground to infinity")
    .build()
)

print(prompt)
# Use this prompt with client.images.generate()

Appropriez-vous maintenant cette boîte à outils sur un seul sujet exigeant : une vieille bibliothèque. Produisez cinq images avec le PromptBuilder, en variant systématiquement la composition, l’éclairage et la perspective, puis rassemblez-les dans un catalogue HTML. Voir les cinq côte à côte est la meilleure façon d’apprendre lesquelles de ces couches comptent le plus dans votre pratique.