Salt la conținutul principal
Română— Alege o limbă
Meniu

Compararea mai multor imagini

Lecția 8 din 12 Actualizată 30 iulie 2026 Începător
Pe această pagină
  1. Analiza mai multor imagini într-o singură cerere
  2. Structura unei cereri cu mai multe imagini
  3. Caz de utilizare: Comparare Înainte/După
  4. Caz de utilizare: Urmărire temporală
  5. Caz de utilizare: Controlul calității
  6. Caz de utilizare: Analiza concurenței
  7. Optimizarea cererilor cu mai multe imagini
  8. Puncte cheie

Analiza mai multor imagini într-o singură cerere

Unul dintre punctele forte ale Grok Vision este capacitatea de a trimite un număr nelimitat de imagini într-o singură cerere. Acest lucru deschide posibilități unice pentru comparație, urmărire temporală și analiză încrucișată, pe care API-urile pentru o singură imagine nu le pot oferi.

Structura unei cereri cu mai multe imagini

Formatul este simplu: adăugați câte obiecte input_image sunt necesare în tabloul input, intercalându-le cu text pentru a ghida analiza:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Image A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Image B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Compare these two images in detail."}
    ]
)

Etichetarea fiecărei imagini cu text („Imaginea A“, „Imaginea B“) ajută modelul să își structureze răspunsul și să facă referire clară la fiecare imagine.

Caz de utilizare: Comparare Înainte/După

Ideal pentru urmărirea proiectelor, renovări, design sau controlul calității:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Compare these two images (before and after) and identify:

1. The main changes
2. Elements that have not changed
3. Visible improvements
4. Any potential issues introduced

Present your response as a structured list."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "BEFORE:"},
            {"type": "input_image", "image_url": url_avant, "detail": "high"},
            {"type": "input_text", "text": "AFTER:"},
            {"type": "input_image", "image_url": url_apres, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Caz de utilizare: Urmărire temporală

Urmăriți evoluția unei locații, a unui produs sau a unui proces în timp:

def analyser_evolution(images_chronologiques):
    """images_chronologiques: list of {"url": ..., "date": ...}"""
    input_data = []

    for img in images_chronologiques:
        input_data.append({
            "type": "input_text",
            "text": f"Photo from {img['date']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": img["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Analyze the chronological evolution visible in
these images. Identify progressive changes, trends,
and any notable events between the different dates."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Caz de utilizare: Controlul calității

Comparați un produs fabricat cu modelul său de referință:

def controle_qualite(url_reference, url_produit):
    prompt = """Compare the photographed product to the reference model.

Identify:
1. Compliance (what matches the model)
2. Non-compliance (deviations, defects, differences)
3. Severity of each non-compliance (minor, major, critical)

Return a JSON with:
{
  "compliant": true/false,
  "score": 0-100,
  "compliances": [...],
  "non_compliances": [
    {"description": "...", "severity": "minor|major|critical"}
  ]
}"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "REFERENCE (expected model):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUCT to check:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Caz de utilizare: Analiza concurenței

Comparați interfețe, ambalaje sau prezentări de produse ale concurenților:

def analyser_concurrence(images_concurrents):
    """images_concurrents: [{"brand": "...", "url": "..."}]"""
    input_data = []

    for concurrent in images_concurrents:
        input_data.append({
            "type": "input_text",
            "text": f"{concurrent['brand']}:"
        })
        input_data.append({
            "type": "input_image",
            "image_url": concurrent["url"],
            "detail": "auto"
        })

    input_data.append({
        "type": "input_text",
        "text": """Compare these competitor products/interfaces.
For each, identify visual strengths and weaknesses.
Provide a positioning recommendation."""
    })

    response = client.responses.create(
        model="grok-4.5",
        input=input_data,
        store=False
    )
    return response.output_text

Optimizarea cererilor cu mai multe imagini

Atunci când trimiteți multe imagini, consumul de tokeni crește rapid. Iată câteva strategii de optimizare:

Ajustarea nivelului de detaliu

Folosiți low pentru comparații generale și high doar atunci când analizați detalii fine:

# Global comparison: low is sufficient
detail = "low"  # ~256 tokens per image

# Defect analysis: high required
detail = "high"  # ~1024-1792 tokens per image

Limitarea numărului de imagini per cerere

Deși nu există o limită strictă, peste 10-15 imagini calitatea analizei poate scădea. Modelul are un context finit și trebuie să îl distribuie între toate imaginile:

# If more than 10 images, process in batches
def analyser_par_lots(images, taille_lot=10):
    resultats = []
    for i in range(0, len(images), taille_lot):
        lot = images[i:i + taille_lot]
        resultat = analyser_lot(lot)
        resultats.append(resultat)
    return fusionner_resultats(resultats)

Redimensionarea imaginilor

Dacă comparați fotografii la rezoluție înaltă pentru o analiză generală, redimensionați-le înainte de a le trimite pentru a reduce numărul de tokeni:

def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
    img = Image.open(chemin)
    img.thumbnail(taille_max)
    # ... encode to base64

Puncte cheie

  • Numărul de imagini per cerere este nelimitat — acesta este un avantaj major al API-ului xAI
  • Etichetați fiecare imagine cu text pentru a structura analiza
  • Ajustați parametrul detail în funcție de tipul de comparație
  • Peste 10-15 imagini, procesați loturi pentru a menține calitatea
  • Cazurile de utilizare includ: înainte/după, urmărire temporală, controlul calității, analiza concurenței