Variacije in iteracije
Na tej strani
Posodobljeno 2. novembra 2026 — modeli za slike. Model
gpt-image-1, za katerega je bil ta tečaj prvotno napisan, je bil ukinjen 23. oktobra 2026. Poleg tega bosta modelagpt-image-1.5,gpt-image-1-miniinchatgpt-image-latestumaknjena 1. decembra 2026. Primeri zdaj uporabljajogpt-image-2.5-sunburst, ki ponuja najvišjo natančnost za urejanje;gpt-image-2.5-flarepa je hitrejši za standardno generiranje. Oba modela podpirata tudi nastavitvi kakovostixhighinmax. Modeli GPT Image vedno vrnejo slike v formatu base64: parameterresponse_formatiz starejših modelov DALL·E ni več sprejet in je bil odstranjen iz kode. Vir: Generiranje slik (OpenAI).
Variacije in iteracije
Redko se zgodi, da bi dobili popolno sliko že pri prvem poskusu. Pravo delo vključuje ustvarjanje variacij, njihovo primerjavo in postopno zaostrevanje poziva (prompt), dokler ne dosežeš želenega rezultata. Ta lekcija ti ponuja tri orodja za to metodo: variacijo s ponovnim zagonom, variacijo s spreminjanjem poziva in iteracijo skozi zaporedno izpopolnjevanje.
Generiranje variacij istega koncepta
Najpreprostejša metoda je ponovni zagon generiranja z istim pozivom: GPT Image vsakič ustvari drugačen rezultat. To je koristno na začetku raziskovanja, ko še ne veš točno, kaj iščeš, in želiš videti razpon možnih interpretacij ideje.
from openai import OpenAI
import base64
client = OpenAI()
def generate_variations(prompt: str, n_variations: int, prefix: str):
"""Generiraj več neodvisnih variacij istega poziva."""
paths = []
for i in range(n_variations):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="medium",
)
path = f"{prefix}_v{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
paths.append(path)
print(f"Variacija {i+1} shranjena: {path}")
return paths
variations = generate_variations(
prompt="Ilustracija robotskega vrtnarja, ki zaliva rože, otroški in barvit slog",
n_variations=5,
prefix="gardener_robot"
)
Variacije s spreminjanjem poziva
Prejšnji pristop ti pušča naključnost; ta ti daje nadzor. Določiš nespremenljiv subjekt – tukaj skodelico kave s paro na leseni mizi – in premakneš le eno dimenzijo: razpoloženje. Pet rezultatov je nato med seboj primerljivih, saj točno veš, kaj jih razlikuje. To je razlika med petimi poskusi in eksperimentom.
from openai import OpenAI
import base64
client = OpenAI()
base_prompt = "Skodelica kave s paro na leseni mizi"
moods = [
"mehka jutranja svetloba, topli toni",
"vzdušje pariške kavarne, črno-belo",
"slog pop arta, nasičene barve",
"skandinavski minimalizem, belo ozadje",
"udobna zimska atmosfera, bokeh svetlobne verige",
]
for i, mood in enumerate(moods):
prompt = f"{base_prompt}, {mood}"
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="medium",
)
path = f"cafe_mood_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Razpoloženje: {mood[:30]}... → {path}")
Iteracija z izpopolnjevanjem poziva
Ko rezultat ni zadovoljiv, pravilen odziv ni ponovni zagon in upanje na boljšo srečo, temveč dodajanje manjkajoče omejitve. Spodnja serija prikazuje ta napredek na konkretnem primeru: „Logotip za fintech startup” modelu ne pove ničesar; druga iteracija omeji število barv in ozadje; tretja poimenuje vizualno metaforo in paleto; četrta gre vse do heksadecimalnih kod in debeline črte. Z vsakim prehodom se prostor možnih rezultatov zožuje, ponovljivost pa narašča.
from openai import OpenAI
import base64
client = OpenAI()
iterations = [
# Iteracija 1: osnovni poziv
"Logotip za fintech startup",
# Iteracija 2: dodajanje vizualnih omejitev
"Logotip za fintech startup, minimalističen dizajn, največ dve barvi, prozorno ozadje",
# Iteracija 3: natančnost sloga
(
"Minimalističen logotip za fintech startup, abstraktna geometrijska ikona, "
"ki evocira rast, paleta temno modre in smaragdno zelene, brez besedila, vektorski slog"
),
# Iteracija 4: fine prilagoditve
(
"Minimalističen logotip za fintech startup, abstraktna geometrijska ikona: "
"dve prepleteni puščici, ki tvorita diamant, temno modra (#1B2A4A) in "
"smaragdno zelena (#2ECC71), tanka črta 2px, belo ozadje, oster vektorski izris, centrirano"
),
]
for i, prompt in enumerate(iterations):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=prompt,
size="1024x1024",
quality="high",
)
path = f"logo_iteration_{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
print(f"Iteracija {i+1}: {prompt[:60]}...")
print(f" → {path}\n")
Avtomatiziran iteracijski potek dela
Pri nekoliko daljšem projektu človeški spomin ni dovolj: po petnajstih slikah ne veš več, kateri poziv je ustvaril kateri rezultat. Naslednji potek dela strukturira delo v kroge, generira več variant na krog, poimenuje datoteke tako, da jih je mogoče slediti, in ohrani popolno zgodovino pozivov v datoteki JSON. Prav ta zgodovinska datoteka naredi postavitev vredno: omogoča ti, da se vrneš nazaj in kapitaliziraš znanje od enega projekta do naslednjega.
from openai import OpenAI
import base64
import json
client = OpenAI()
def iteration_pipeline(brief: str, n_rounds: int = 3, n_per_round: int = 3):
"""
Iteracijski potek dela: generira več variant na krog,
ohrani zgodovino pozivov in rezultatov.
"""
history = []
current_prompt = brief
for round_num in range(1, n_rounds + 1):
print(f"\n{'='*50}")
print(f"KROG {round_num} — Poziv: {current_prompt[:80]}...")
print(f"{'='*50}")
round_images = []
for i in range(n_per_round):
response = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt=current_prompt,
size="1024x1024",
quality="medium",
)
path = f"pipeline_r{round_num}_v{i+1}.png"
data = base64.b64decode(response.data[0].b64_json)
with open(path, "wb") as f:
f.write(data)
round_images.append(path)
print(f" Varianta {i+1}: {path}")
history.append({
"round": round_num,
"prompt": current_prompt,
"images": round_images
})
# Izpopolni poziv za naslednji krog
if round_num < n_rounds:
current_prompt += ", več podrobnosti, boljša kompozicija"
# Shrani zgodovino
with open("pipeline_history.json", "w") as f:
json.dump(history, f, indent=2, ensure_ascii=False)
print(f"\nZgodovina shranjena: pipeline_history.json")
return history
iteration_pipeline(
brief="Ilustracija neodvisne knjigarne, pogled od zunaj, jesenski večer, slog Ghibli",
n_rounds=3,
n_per_round=3
)
Primerjava variacij v katalogu
Odpiranje devetih datotek PNG eno za drugo v pregledovalniku ne omogoča resne primerjave. Namesto tega generiraj stran HTML, ki jih prikaže eno ob drugi, s slikami, kodiranimi v base64, tako da je datoteka samostojna in jo lahko takšno, kot je, deliš s stranko ali umetniškim vodjem.
import base64
from pathlib import Path
from glob import glob
def generate_catalog(images: list[str], title: str, output: str = "catalog.html"):
"""Ustvari stran HTML z vsemi slikami eno ob drugi."""
html_parts = [
'<!DOCTYPE html><html><head><meta charset="utf-8">',
f'<title>{title}</title>',
'<style>',
'body { background: #111; color: #fff; font-family: sans-serif; padding: 2rem; }',
'.grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(300px, 1fr)); gap: 1rem; }',
'.card { background: #222; border-radius: 8px; overflow: hidden; }',
'.card img { width: 100%; display: block; }',
'.card p { padding: 0.5rem 1rem; font-size: 0.85rem; color: #aaa; }',
'</style></head><body>',
f'<h1>{title}</h1><div class="grid">',
]
for img_path in images:
with open(img_path, "rb") as f:
b64 = base64.b64encode(f.read()).decode()
html_parts.append(f'<div class="card">')
html_parts.append(f'<img src="data:image/png;base64,{b64}" />')
html_parts.append(f'<p>{Path(img_path).name}</p></div>')
html_parts.append('</div></body></html>')
with open(output, "w") as f:
f.write("\n".join(html_parts))
print(f"Katalog generiran: {output}")
images = sorted(glob("pipeline_r*_v*.png"))
generate_catalog(images, "Variacije — Knjigarna Ghibli")
Disciplina iteracije
Nekaj načel ločuje produktivno iteracijo od dragega poskušanja in napak. Spremeni le en parameter naenkrat, sicer nikoli ne boš vedel, kateri je izboljšal rezultat. Ohrani zgodovino svojih pozivov in upodobitev, kot to počne zgornji potek dela, da kapitaliziraš znanje namesto, da bi pri vsakem projektu začel znova. Med celotno fazo raziskovanja delaj z quality: low in preklopi na high šele za končni izris, sicer boš drago plačal slike, ki jih boš zavrgel. Ko iščeš zgolj hitro raznolikost, raje uporabi en klic s parametrom n namesto zanke zahtevkov. Nazadnje, svoje datoteke poimenuj opisno: prvi dan je to trivialna podrobnost, po dveh stotih slikah pa odločilna.
Zdaj to zaporedje v celoti uporabi na temi po tvoji izbiri – logotip, ilustracija ali fotografija izdelka. Generiraj tri variante z začetnim pozivom, izpopolni ta poziv glede na rezultate, generiraj tri nove variante in nato ustvari primerjalni katalog HTML s šestimi slikami.