Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Beschrijving van afbeeldingen

Les 5 van 12 Bijgewerkt op 30 juli 2026 Beginner
Op deze pagina
  1. Inzichten uit uw afbeeldingen halen
  2. Algemene beschrijving
  3. Gestructureerde beschrijving
  4. Voorbeeld: E-commerce productfiches
  5. Voorbeeld: Alternatieve tekst (Toegankelijkheid)
  6. Voorbeeld: Contentmoderatie
  7. Best practices voor beschrijvingen
  8. Belangrijkste punten

Inzichten uit uw afbeeldingen halen

Grok OCR - tekstextractie uit een afbeelding Het beschrijven van afbeeldingen is de meest natuurlijke use case voor de multimodale visie van Grok. U stuurt een afbeelding, stelt een vraag en het model retourneert een gedetailleerde tekstanalyse. Deze ogenschijnlijk eenvoudige mogelijkheid opent aanzienlijke perspectieven voor productieomgevingen.

E-commerce
Automatische productfiches
Toegankelijkheid
Automatische alt-tekst
Moderatie
Contentfiltering
Catalogus
Automatische indexering

Algemene beschrijving

De eenvoudigste aanvraag is vragen om een vrije beschrijving:

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."}
    ]
)

Het model identificeert sleutelelementen (objecten, personen, tekst, kleuren, compositie) en produceert een beschrijvende alinea. Voor de meeste afbeeldingen is de modus auto voldoende.

Gestructureerde beschrijving

In productieomgevingen zijn vrije beschrijvingen zelden bruikbaar. U wilt het model sturen met een gestructureerde prompt:

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}
    ]
)

Dit formaat is direct bruikbaar in uw applicatie om een database, zoekmachine of catalogus te vullen.

Voorbeeld: E-commerce productfiches

Een veelgevraagde use case is het automatisch genereren van productbeschrijvingen op basis van foto’s:

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

Door detail: "high" te gebruiken, legt het model fijne productdetails vast (texturen, labels, afwerkingen) die de beschrijving verrijken.

Voorbeeld: Alternatieve tekst (Toegankelijkheid)

Het automatisch genereren van alt-attributen voor de afbeeldingen op uw site verbetert de toegankelijkheid en SEO:

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

De modus low is hier voldoende omdat alternatieve tekst een algemene beschrijving is en geen gedetailleerde analyse.

Voorbeeld: Contentmoderatie

U kunt visie gebruiken om door gebruikers geüploade afbeeldingen automatisch te filteren:

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

Best practices voor beschrijvingen

  • Wees precies in uw prompt: “Beschrijf deze afbeelding” levert vaag resultaat op. “Identificeer de producten, kleuren en zichtbare tekst” is veel effectiever.
  • Vraag een gestructureerd formaat (JSON, lijst) om automatische verwerking te faciliteren.
  • Pas het detailniveau aan aan de behoefte: low voor classificatie, high voor fijne analyse.
  • Gebruik store: false voor gevoelige afbeeldingen of afbeeldingen die onder de AVG vallen.

Belangrijkste punten

  • Het beschrijven van afbeeldingen is de fundamentele use case voor Grok Vision.
  • Structureer uw prompts om bruikbare antwoorden te krijgen (JSON, lijsten).
  • Pas de parameter detail aan op het vereiste precisieniveau.
  • Veelvoorkomende toepassingen zijn e-commerce, toegankelijkheid en moderatie.
  • Denk aan store: false voor gevoelige gegevens.