Zaawansowane prompty wizualne: kompozycja, oświetlenie, perspektywa
Na tej stronie
Aktualizacja z 2 listopada 2026 — modele obrazowe. Model
gpt-image-1, dla którego pierwotnie napisano ten kurs, został wycofany 23 października 2026, a modelegpt-image-1.5,gpt-image-1-miniorazchatgpt-image-latestprzejdą na emeryturę 1 grudnia 2026. Przykłady wykorzystują obecniegpt-image-2.5-sunburst, najbardziej precyzyjny model do edycji;gpt-image-2.5-flarejest szybszy przy standardowej generacji. Oba obsługują również ustawienia jakościxhighimax. Modele GPT Image zawsze zwracają obrazy w formacie base64: parametrresponse_formatze starszych modeli DALL·E nie jest akceptowany i został usunięty z kodu. Źródło: Image generation (OpenAI).
Zaawansowane prompty wizualne: kompozycja, oświetlenie, perspektywa
Dobrze zbudowany prompt to właśnie to, co odróżnia przyzwoity obraz od dzieła profesjonalnej jakości. Kluczem nie jest długość tekstu, lecz słownictwo. GPT Image rozumie terminologię fotografii, kina i sztuk wizualnych. Posługiwanie się tym językiem jest jak wydawanie poleceń operatorowi filmowemu, a nie składanie życzeń. Ta lekcja nauczy Cię tego słownictwa i sposobu jego organizowania.
Anatomia profesjonalnego promptu wizualnego
Zaawansowany prompt dzieli się na warstwy, z których każda odpowiada na inne pytanie: kto lub co, jak rozmieszczone, jak oświetlone, skąd obserwowane, w jakiej konwencji, z jakimi cechami optycznymi. Jawne nazwanie tych warstw w treści promptu — „Temat: … Kompozycja: … Oświetlenie: …“ — pomaga modelowi uniknąć mieszania rejestrów. Poniższy przykład opisuje architekta w jego pracowni: temat zajmuje lewą trzecią kadru zgodnie z regułą trójpodziału, światło pada bocznie przez duże okna, kamera znajduje się na subtelnym dolnym planie z ogniskową 35 mm, rejestr to ciepła, desaturowana fotografia dokumentalna w stylu editorial, a głębia ostrości pozostawia tło w lekkim bokeh. Każde z tych sześciu zdań odbiera modelowi jedną swobodę, którą w przeciwnym razie wykorzystałby losowo.
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
):
"""Buduje wielowarstwowy prompt dla maksymalnej kontroli."""
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"
)
Opanowanie kompozycji
Kompozycja decyduje o tym, jak oko wędruje po obrazie, a kontrolujesz ją, nazywając reguły rozpoznawane przez model.
Klasyczne reguły kompozycji
Poniższy słownik zbiera pięć głównych rodzin kompozycyjnych i stosuje je do celowo identycznego tematu — samotnej latarni morskiej na bretońskim klifie — aby porównanie dotyczyło wyłącznie inscenizacji. Reguła trójpodziału umieszcza latarnię na przecięciu linii siły i tworzy najbardziej „naturalny“ obraz; symetria w stylu Wesa Andersona centruje oś pionową i dodaje odbicie w wodzie; przekątna buduje napięcie od lewego dolnego rogu do prawego górnego; kadr w kadrze każe patrzeć na latarnię przez łuk lub okno, tworząc natychmiastową głębię; wreszcie kompozycja minimalistyczna redukuje latarnię do maleńkiej kropki w ogromnej przestrzeni negatywowej, czyniąc z tematu jedynie pretekst. Pięć obrazów tej samej latarni, pięć różnych stwierdzeń.
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}")
Plany i głębia
Głębi nie żąda się hurtowo; buduje się ją plan po planie. Poniższy prompt opisuje prowansalski targ, jawnie przypisując treść i ostrość każdemu z trzech planów: mydła i lawenda na pierwszym planie, idealnie ostre; sprzedawca i klient w środkowym planie, lekko rozmyci; złociste kamienne fasady i platany w tle, z wyraźnym bokeh. Końcowa wzmianka o obiektywie 50 mm otwartym na f/1.8 jedynie optycznie potwierdza to, co opis już ustalił — i to właśnie ta celowa redundancja czyni wynik wiarygodnym.
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)
Opanowanie oświetlenia
Oświetlenie to najpotężniejsze narzędzie do tworzenia atmosfery i najbardziej opłacalne pod względem投入owanych znaków. Sześć setupów pokrywa większość potrzeb, a poniższa pętla stosuje je wszystkie do tego samego portretu skupionego skrzypka. Oświetlenie Rembrandta, z pojedynczym źródłem pod kątem 45 stopni i trójkątnym блиском na przeciwnym policzku, daje klasyczny portret studyjny. Światło konturowe (rim light) umieszcza źródło za tematem i pozostawia tylko świetlistą obwódkę, tworząc obraz sylwetki. Oświetlenie dzielące (split lighting) przecina twarz na dwie połowy — jedną oświetloną, drugą w cieniu — natychmiast przenosząc obraz w rejestr filmowy. Złota godzina przynosi ślizgające się złote światło i nostalgiczną flarę, miejskie neony wprowadzają różowe i cyjanowe źródła odbijające się na mokrych powierzchniach, a studyjne high-key przynosi pozbawioną cieni jednolitość i komercyjne białe tło. Ten sam temat staje się na przemian intymny, tajemniczy lub gotowy do reklamy.
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}")
Opanowanie perspektywy
Perspektywa wpływa na to, jak odbiorca postrzega temat, a jej efekt jest niemal zawsze psychologiczny, zanim stanie się estetyczny. Ujęcie z góry (plongée) patrzy na scenę z wyżyny i umniejsza to, co obserwuje; ujęcie z dołu (contre-plongée), z kamerą na poziomie ziemi, powiększa temat i nadaje mu moc; idealnie pionowy widok z lotu ptaka znosi objętość i zamienia rzeczywistość w graficzny wzór; widok z poziomu robaka (worm’s-eye) đẩy ujęcie z dołu do ekstremum, sprawiając, że wszystkie linie zbieżne kierują się ku niebu; wreszcie widok na wysokości oczu z ogniskową 50 mm odwzorowuje ludzki wzrok i znika na rzecz tematu. W przypadku szklano-stalowych wieżowców różnica między tymi pięcioma obrazami nie leży w budynku, lecz w relacji, jaką z nim nawiązują. Zauważ, że pętla przełącza się na format portretowy dla dwóch ujęć z dołu, ponieważ ujęcie budynku z niskiej perspektywy potrzebuje wysokości, by oddychać.
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}")
Wielokrotnego użytku konstruktor promptów
Ręczne konkatenowanie siedmiu warstw w każdym skrypcie prędzej czy później sprawi, że zapomnisz o jednej lub zamienisz dwie miejscami. Klasa PromptBuilder rozwiązuje ten problem, udostępniając jedną metodę na warstwę i zwracając self przy każdym wywołaniu, co pozwala łańcuchować ustawienia w czytelnej kolejności i określać tylko wybrane z nich. Metoda build() następnie składa temat i wypełnione warstwy w tekst gotowy do przekazania do client.images.generate(). Przykład z nadmorską kawiarnią implementuje wszystkie siedem dostępnych warstw — kompozycję, oświetlenie, perspektywę, styl, kolory, atmosferę, technikę — i tworzy prompt, którego żadna improwizacja nie uczyniłaby tak kompletnym.
class PromptBuilder:
"""Konstruktor strukturalnych promptów wizualnych."""
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)
# Użycie
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)
# Użyj tego promptu z client.images.generate()
Teraz przejmij ten zestaw narzędzi na jednym wymagającym temacie: starej bibliotece. Wygeneruj pięć obrazów za pomocą PromptBuilder, systematycznie zmieniając kompozycję, oświetlenie i perspektywę, a następnie zbierz je w katalogu HTML. Zobaczenie wszystkich pięciu obok siebie to sposób, w jaki nauczysz się, które z tych warstw mają największe znaczenie w Twojej praktyce.