Przejdź do głównej treści
Polski— Wybierz język
Menu

Opis obrazu

Lekcja 5 z 12 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Wydobywaj wnioski ze swoich obrazów
  2. Opis ogólny
  3. Opis strukturalny
  4. Przykład: Karty produktów e-commerce
  5. Przykład: Tekst alternatywny (dostępność)
  6. Przykład: Moderacja treści
  7. Najlepsze praktyki dotyczące opisu
  8. Kluczowe wnioski

Wydobywaj wnioski ze swoich obrazów

Grok OCR - ekstrakcja tekstu z obrazu Opis obrazu to najbardziej naturalny przypadek użycia wielomodalnego widzenia modelu Grok. Wysyłasz obraz, zadajesz pytanie, a model zwraca szczegółową analizę tekstową. Ta pozornie prosta zdolność otwiera znaczące możliwości w środowisku produkcyjnym.

E-commerce
Automatyczne karty produktów
Dostępność
Automatyczne teksty alternatywne
Moderacja
Filtrowanie treści
Katalog
Automatyczne indeksowanie

Opis ogólny

Najprostszym żądaniem jest poproszenie o opis w formie dowolnej:

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."}
    ]
)

Model identyfikuje kluczowe elementy (obiekty, osoby, tekst, kolory, kompozycję) i tworzy opisowy akapit. Dla większości obrazów tryb auto jest wystarczający.

Opis strukturalny

W środowisku produkcyjnym opisy w formie dowolnej rzadko nadają się do użycia. Będziesz chciał pokierować modelem za pomocą strukturalnego promptu:

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}
    ]
)

Ten format jest gotowy do użycia w Twojej aplikacji do wypełniania bazy danych, silnika wyszukiwania lub katalogu.

Przykład: Karty produktów e-commerce

Bardzo często oczekiwanym przypadkiem użycia jest automatyczne generowanie opisów produktów na podstawie zdjęć:

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

Używając detail: "high", model wychwytuje drobne szczegóły produktu (tekstury, etykiety, wykończenia), które wzbogacają opis.

Przykład: Tekst alternatywny (dostępność)

Automatyczne generowanie atrybutów alt dla obrazów na Twojej stronie poprawia dostępność i 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

Tryb low jest tutaj wystarczający, ponieważ tekst alternatywny stanowi ogólny opis, a nie szczegółową analizę.

Przykład: Moderacja treści

Możesz wykorzystać widzenie komputerowe do automatycznego filtrowania obrazów przesyłanych przez użytkowników:

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

Najlepsze praktyki dotyczące opisu

  • Bądź precyzyjny w prompcie: „Opisz ten obraz“ daje niejasne wyniki. „Zidentyfikuj produkty, kolory i widoczny tekst“ jest znacznie skuteczniejsze.
  • Żądaj formatu strukturalnego (JSON, lista), aby ułatwić automatyczne przetwarzanie.
  • Dostosuj poziom szczegółowości do potrzeb: low do klasyfikacji, high do dokładnej analizy.
  • Używaj store: false dla obrazów wrażliwych lub podlegających RODO.

Kluczowe wnioski

  • Opis obrazu to fundamentalny przypadek użycia widzenia modelu Grok.
  • Strukturyzuj swoje prompty, aby otrzymywać użyteczne odpowiedzi (JSON, listy).
  • Dostosuj parametr detail do wymaganego poziomu precyzji.
  • Typowe zastosowania obejmują e-commerce, dostępność i moderację.
  • Pamiętaj o store: false w przypadku danych wrażliwych.