Optimaliseer imagetokens
Op deze pagina
Beheer uw kosten in productie
In productieomgevingen kunnen imagetokens een aanzienlijk deel van uw API-factuur uitmaken. Een enkele afbeelding in de high-modus verbruikt tot 1.792 tokens—het equivalent van meerdere alinea’s tekst. Vermenigvuldig dit met honderden of duizenden dagelijkse verzoeken, en optimalisatie wordt een noodzaak.
Strategie 1: Kies het juiste detailniveau
De parameter detail is uw belangrijkste hefboom voor optimalisatie. De meest gemaakte fout is standaard high gebruiken wanneer low of auto in de meeste gevallen volstaan.
Beslissingsmatrix
| Taak | Aanbevolen detail | Geschatte tokens |
|---|---|---|
| Afbeeldingsclassificatie | low | ~256 |
| Algemene beschrijving | auto | ~512-768 |
| Alt-tekst / toegankelijkheid | low | ~256 |
| Contentmoderatie | auto | ~512-768 |
| OCR / tekstextractie | high | ~1024-1792 |
| Grafiekanalyse | high | ~1024-1792 |
| Defectdetectie | high | ~1024-1792 |
Strategie 2: Formaat wijzigen voordat u verzendt
Afbeeldingen met hoge resolutie (4K, 8K) zijn zelden nodig voor AI-analyse. Door uw afbeeldingen consequent te verkleinen voordat u ze verzendt, reduceert u het aantal tokens zonder merkbare impact op de analysekwaliteit.
from PIL import Image
import io
import base64
class ImageOptimalisator:
GROOTTES_PER_TAAK = {
"classificatie": (512, 512),
"beschrijving": (1024, 1024),
"ocr": (2048, 2048),
"vergelijking": (800, 800),
}
@staticmethod
def optimaliseer(pad, taak="beschrijving", kwaliteit=85):
max_grootte = ImageOptimalisator.GROOTTES_PER_TAAK.get(
taak, (1024, 1024)
)
img = Image.open(pad)
# Kleine afbeeldingen niet vergroten
if img.width <= max_grootte[0] and img.height <= max_grootte[1]:
pass
else:
img.thumbnail(max_grootte)
# Converteren naar JPEG om grootte te verkleinen
if img.mode in ("RGBA", "P"):
img = img.convert("RGB")
buffer = io.BytesIO()
img.save(buffer, "JPEG", quality=kwaliteit)
buffer.seek(0)
encoded = base64.standard_b64encode(buffer.read()).decode()
return f"data:image/jpeg;base64,{encoded}"
Strategie 3: Tweefasen-pipeline
Voor grote volumes gebruikt u een tweefasen-pipeline: een snelle eerste fase in low om te sorteren, gevolgd door een tweede fase in high alleen voor afbeeldingen die dit vereisen:
def pipeline_twee_fasen(afbeeldingen):
# Fase 1: snelle classificatie (low)
classificaties = []
for img in afbeeldingen:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": img, "detail": "low"},
{"type": "input_text", "text": "Classificeer: document, foto, grafiek, overig. Eén woord."}
],
store=False
)
classificaties.append({
"url": img,
"type": response.output_text.strip().lower()
})
# Fase 2: gedetailleerde analyse (high) alleen indien nodig
resultaten = []
for item in classificaties:
if item["type"] in ("document", "grafiek"):
detail = "high"
else:
detail = "auto"
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": item["url"], "detail": detail},
{"type": "input_text", "text": "Gedetailleerde analyse van deze afbeelding."}
],
store=False
)
resultaten.append(response.output_text)
return resultaten
Strategie 4: Caching
Als u dezelfde afbeeldingen meerdere keren analyseert (tests, ontwikkeling, demo’s), cache dan de resultaten:
import hashlib
import json
cache = {}
def visie_met_cache(afbeelding_url, prompt, detail="auto"):
# Maak een unieke sleutel
sleutel = hashlib.sha256(
f"{afbeelding_url}:{prompt}:{detail}".encode()
).hexdigest()
if sleutel in cache:
return cache[sleutel]
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": afbeelding_url, "detail": detail},
{"type": "input_text", "text": prompt}
],
store=False
)
cache[sleutel] = response.output_text
return response.output_text
Bewaken en waarschuwen
Stel kostentracking in om overschrijdingen te detecteren:
def tokens_bewaken(response, drempel_waarschuwing=5000):
gebruik = response.usage
image_tokens = gebruik.prompt_tokens_details.image_tokens
if image_tokens > drempel_waarschuwing:
print(f"WAARSCHUWING: {image_tokens} imagetokens (drempel: {drempel_waarschuwing})")
return {
"image_tokens": image_tokens,
"text_tokens": gebruik.prompt_tokens_details.text_tokens,
"totaal": gebruik.total_tokens
}
Belangrijkste punten
- Kies het
detail-niveau dat bij de taak past—gebruiklowwanneer dit voldoende is - Wijzig het formaat van afbeeldingen voordat u ze verzendt om het verbruik te verlagen
- Gebruik een tweefasen-pipeline voor grote volumes
- Cache resultaten om redundante oproepen te voorkomen
- Bewaak imagetokens in productie om kosten te anticiperen