Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Porovnávanie viacerých obrázkov

Lekcia 8 z 12 Aktualizované 30. júla 2026 Začiatočník
Na tejto strane
  1. Analýza viacerých obrázkov v jednej požiadavke
  2. Štruktúra požiadavky s viacerými obrázkami
  3. Prípad použitia: Porovnanie pred a po
  4. Prípad použitia: Sledovanie vývoja v čase
  5. Prípad použitia: Kontrola kvality
  6. Prípad použitia: Konkurenčná analýza
  7. Optimalizácia požiadaviek s viacerými obrázkami
  8. Kľúčové poznatky

Analýza viacerých obrázkov v jednej požiadavke

Jednou z kľúčových silných stránok Grok Vision je schopnosť odoslať v jednej požiadavke neobmedzený počet obrázkov. Otvára to jedinečné možnosti pre porovnávanie, sledovanie vývoja v čase a krížovú analýzu, ktoré API pracujúce s jedným obrázkom ponúknuť nemôžu.

Štruktúra požiadavky s viacerými obrázkami

Formát je jednoduchý: do poľa input pridaj toľko objektov input_image, koľko potrebuješ, a striedaj ich s textom, ktorý usmerňuje analýzu:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Obrázok A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Obrázok B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Podrobne porovnaj tieto dva obrázky."}
    ]
)

Označenie každého obrázka textom („Obrázok A“, „Obrázok B“) pomáha modelu štruktúrovať odpoveď a jasne odkazovať na každý jednotlivý obrázok.

Prípad použitia: Porovnanie pred a po

Ideálne pre sledovanie projektov, rekonštrukcie, dizajn alebo kontrolu kvality:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Porovnaj tieto dva obrázky (pred a po) a identifikuj:

1. Hlavné zmeny
2. Prvky, ktoré sa nezmenili
3. Viditeľné zlepšenia
4. Akékoľvek potenciálne problémy, ktoré vznikli

Svoju odpoveď prezentuj ako štruktúrovaný zoznam."""

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

Prípad použitia: Sledovanie vývoja v čase

Sleduj vývoj lokality, produktu alebo procesu v čase:

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

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

    input_data.append({
        "type": "input_text",
        "text": """Analyzuj chronologický vývoj viditeľný na
týchto obrázkoch. Identifikuj postupné zmeny, trendy
a akékoľvek pozoruhodné udalosti medzi jednotlivými dátumami."""
    })

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

Prípad použitia: Kontrola kvality

Porovnaj vyrobený produkt s jeho referenčným modelom:

def controle_qualite(url_reference, url_produit):
    prompt = """Porovnaj odfotený produkt s referenčným modelom.

Identifikuj:
1. Zhodu (čo zodpovedá modelu)
2. Nezhodu (odchýlky, defekty, rozdiely)
3. Závažnosť každej nezhody (menšia, veľká, kritická)

Vráť JSON v tvare:
{
  "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": "REFERENCIA (očakávaný model):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUKT na kontrolu:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Prípad použitia: Konkurenčná analýza

Porovnaj rozhrania, obaly alebo prezentácie produktov od konkurencie:

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": """Porovnaj tieto produkty/rozhrania konkurencie.
Pre každý identifikuj vizuálne silné a slabé stránky.
Poskytni odporúčanie týkajúce sa posicionovania."""
    })

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

Optimalizácia požiadaviek s viacerými obrázkami

Keď odosielaš veľa obrázkov, spotreba tokenov rýchlo rastie. Tu je niekoľko stratégií optimalizácie:

Úprava úrovne detailu

Použi low pre všeobecné porovnania a high len pri analýze jemných detailov:

# Globálne porovnanie: low stačí
detail = "low"  # ~256 tokenov na obrázok

# Analýza defektov: high je potrebné
detail = "high"  # ~1024-1792 tokenov na obrázok

Obmedzenie počtu obrázkov na požiadavku

Hoci neexistuje pevný limit, pri viac ako 10 – 15 obrázkoch sa môže kvalita analýzy znížiť. Model má konečný kontext a musí ho rozdeliť medzi všetky obrázky:

# Ak je obrázkov viac ako 10, spracuj ich v dávkach
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)

Zmena veľkosti obrázkov

Ak porovnávaš fotografie s vysokým rozlíšením pre všeobecnú analýzu, pred odoslaním ich zmenši, aby sa znížil počet tokenov:

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

Kľúčové poznatky

  • Počet obrázkov na požiadavku je neobmedzený – to je kľúčová výhoda API od xAI
  • Každý obrázok označ textom, aby si štruktúroval analýzu
  • Prispôsob parameter detail typu porovnania
  • Pri viac ako 10 – 15 obrázkoch spracúvaj dávkovo, aby sa zachovala kvalita
  • Prípady použitia zahŕňajú: porovnanie pred a po, sledovanie vývoja v čase, kontrolu kvality, konkurenčnú analýzu