Przejdź do głównej treści
Polski— Wybierz język
Menu

Kontroluj jakość, styl i rozdzielczość

Lekcja 4 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Kontroluj jakość, styl i rozdzielczość
  2. Poziomy jakości
  3. Dostępne rozdzielczości
  4. Kontroluj styl za pomocą promptu
  5. Funkcja pomocnicza do generowania
  6. Wybierz właściwą kombinację

Zaktualizowano 2 listopada 2026 — Modele obrazowe. Model gpt-image-1, dla którego pierwotnie napisano ten kurs, został wycofany 23 października 2026. Dodatkowo modele gpt-image-1.5, gpt-image-1-mini oraz chatgpt-image-latest przestaną być dostępne 1 grudnia 2026. Przykłady wykorzystują obecnie model gpt-image-2.5-sunburst, który oferuje najwyższą precyzję podczas edycji; model gpt-image-2.5-flare jest szybszy przy standardowym generowaniu. Oba modele obsługują teraz poziomy jakości xhigh i max. Modele GPT Image zawsze zwracają obrazy w formacie base64: parametr response_format, używany przez starsze modele DALL·E, nie jest już akceptowany i został usunięty z kodu. Źródło: Image generation (OpenAI).

Kontroluj jakość, styl i rozdzielczość

GPT Image udostępnia kilka mechanizmów dostosowania wyniku, ale nie działają one w ten sam sposób. Jakość i rozdzielczość to jawne parametry API, które wpływają na koszt i czas generowania. Stylem natomiast zarządzasz wyłącznie za pomocą promptu. Zrozumienie tej różnicy uchroni Cię przed szukaniem nieistniejących opcji i pomoże zoptymalizować stosunek jakości do kosztu przy każdym generowaniu.

Poziomy jakości

Parametr quality bezpośrednio wpływa na poziom szczegółowości i czas generowania. Najlepszym sposobem na zobaczenie różnicy jest przetestowanie go na wymagającym temacie – na przykład martwej naturze z oświetleniem w stylu Rembrandta, gdzie gradienty i tekstury mają kluczowe znaczenie – a nie na płaskiej grafice, gdzie różnice byłyby niewidoczne.

import base64
from openai import OpenAI

client = OpenAI()

qualities = ["low", "medium", "high"]

for q in qualities:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Still life with exotic fruits on a marble table, Rembrandt lighting",
        size="1024x1024",
        quality=q
    )
    with open(f"quality_{q}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Quality {q}: quality_{q}.png")
JakośćSzczegółyCzasKosztZalecane zastosowanie
lowPodstawoweSzybkiEkonomicznySzkice, testy, prototypowanie
mediumDobreUmiarkowanyŚredniMedia społecznościowe, prezentacje
highMaksymalneWolniejszyPremiumDruk, reklama, portfolio

Dostępne rozdzielczości

Dostępne są trzy proporcje obrazu, każda dopasowana do konkretnych przypadków użycia: kwadrat 1024×1024 do mediów społecznościowych i awatarów, portret 1024×1536 do relacji (stories), plakatów i ekranów mobilnych oraz pejzaż 1536×1024 do banerów, nagłówków i prezentacji. Zawsze generuj obraz bezpośrednio w docelowym formacie. Kadrowanie afterward marnuje piksele, za które zapłaciłeś, i zaburza kompozycję, którą model zbudował dla tej konkretnej ramy.

import base64
from openai import OpenAI

client = OpenAI()

resolutions = {
    "1024x1024": "Kwadrat — idealny do mediów społecznościowych i awatarów",
    "1024x1536": "Portret — relacje, plakaty, urządzenia mobilne",
    "1536x1024": "Pejzaż — banery, nagłówki, prezentacje",
}

for size, description in resolutions.items():
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Panoramic view of a futuristic city at dusk, neon lights and skyscrapers",
        size=size,
        quality="medium"
    )
    with open(f"city_{size}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{size} ({description}) → city_{size}.png")

Kontroluj styl za pomocą promptu

Styl nie jest jawnym parametrem API; kontrolujesz go wyłącznie poprzez prompt. Najbardziej niezawodną techniką jest określenie precyzyjnego medium z właściwą mu terminologią. „Professional photography, Nikon D850, f/2.8“ to nie tylko prośba o zdjęcie – to wymóg konkretnej głębi ostrości i renderowania optycznego. „Retro 16-bit pixel art, limited palette“ narzuca ograniczenie rozdzielczości, którego model będzie przestrzegał. Poniższa pętla stosuje pięć różnych mediów do tego samego tematu, czyniąc różnice natychmiast widocznymi.

import base64
mediums = [
    "professional photography, Nikon D850, f/2.8",
    "oil painting on canvas, impressionist style",
    "flat design vector illustration, pastel colors",
    "architectural technical drawing, cross-section view",
    "retro 16-bit pixel art, limited palette",
]

for medium in mediums:
    prompt = f"A typical Parisian café with outdoor seating, {medium}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"cafe_{mediums.index(medium) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{medium[:40]}... → {filename}")

Oświetlenie to Twój drugi mechanizm, a często najpotężniejszy: potrafi radykalnie przekształcić tę samą scenę. Portret ceramiczki w jej warsztacie staje się stonowanym ujęciem dokumentalnym przy trójpunktowym oświetleniu studyjnym, obrazem reklamowym w świetle złotej godziny lub plakatem filmowym w chiaroscuro w stylu Caravaggia. Temat nie zmienił ani słowa; zmieniła się jedynie atmosfera.

import base64
lightings = [
    "three-point studio lighting, neutral white background",
    "natural golden hour light",
    "cyberpunk neon lighting, pink and blue",
    "dramatic Caravaggio-style chiaroscuro",
    "diffuse rainy day light, gray tones",
]

for lighting in lightings:
    prompt = f"Portrait of a ceramic artisan in her workshop, {lighting}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high"
    )
    filename = f"artisan_{lightings.index(lighting) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Lighting: {lighting} → {filename}")

Funkcja pomocnicza do generowania

Powtarzanie tych samych sześciu linii przy każdym wywołaniu szybko staje się uciążliwe i podatne na błędy. Zamknij swoje domyślne preferencje w funkcji wielokrotnego użytku, która obsługuje również zapis na dysku i dodawanie przyrostków do nazw plików, gdy żądasz wielu obrazów.

from openai import OpenAI
import base64
from pathlib import Path

client = OpenAI()

def generate_image(
    prompt: str,
    output_path: str,
    size: str = "1024x1024",
    quality: str = "medium",
    n: int = 1
) -> list[str]:
    """
    Generuje jeden lub więcej obrazów i zapisuje je lokalnie.
    Zwraca listę ścieżek utworzonych plików.
    """
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        n=n,
        size=size,
        quality=quality,
    )

    paths = []
    for i, image in enumerate(response.data):
        if n > 1:
            path = Path(output_path).stem + f"_{i+1}" + Path(output_path).suffix
        else:
            path = output_path

        data = base64.b64decode(image.b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Saved: {path}")

    return paths


# Użycie
generate_image(
    prompt="Premium packaging for matcha tea, minimalist Japanese design",
    output_path="matcha_packaging.png",
    size="1024x1024",
    quality="high"
)

Wybierz właściwą kombinację

To Ty decydujesz o obu parametrach jednocześnie, w oparciu o docelowe medium. Poniższa tabela podsumowuje najczęstsze scenariusze.

KontekstRozdzielczośćJakość
Szybkie prototypowanie1024×1024low
Post na Instagram / LinkedIn1024×1024medium
Pionowa relacja / Reel1024×1536medium
Baner sieciowy / nagłówek1536×1024medium
Plakat drukowany A3+1024×1536high
Portfolio kreatywne / książka1024×1024high
Testowanie partii promptów1024×1024low

W środowisku produkcyjnym nie kopiuj ręcznie tej tabeli do każdego skryptu. Przetłumacz ją na logikę konfiguracyjną i pozwól swojemu kodowi wybierać ustawienia na podstawie zadeklarowanego kontekstu. Uzyskasz pojedyncze źródło prawdy, a jeśli później zdecydujesz, że Twoje posty w mediach społecznościowych powinny używać jakości high, wystarczy zmiana w jednej linii.

def generate_for_context(prompt: str, context: str, output: str):
    """Automatycznie dostosowuje jakość i rozdzielczość do kontekstu."""
    configs = {
        "prototype": {"size": "1024x1024", "quality": "low"},
        "social_media": {"size": "1024x1024", "quality": "medium"},
        "story": {"size": "1024x1536", "quality": "medium"},
        "banner": {"size": "1536x1024", "quality": "medium"},
        "print": {"size": "1024x1536", "quality": "high"},
    }

    config = configs.get(context, configs["social_media"])

    return generate_image(
        prompt=prompt,
        output_path=output,
        **config
    )


# Generuj ten sam obraz dla różnych mediów
generate_for_context(
    "Corsen AI logo on dark background, premium tech style",
    "social_media",
    "logo_social.png"
)

Aby wyrobić sobie własne zdanie na temat tych ustawień, wygeneruj samodzielnie pełną macierz: napisz skrypt, który przyjmuje pojedynczy prompt i tworzy wszystkie dziewięć kombinacji jakości × rozdzielczości, zapisuje każdy plik z wyraźną nazwą, np. image_low_1024x1024.png, i wyświetla tabelę podsumowującą. Wkrótce na oko będziesz wiedzieć, kiedy jakość medium wystarcza.