Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Oblikovanje: Makete in hitro prototipiranje

Lekcija 8 od 12 Posodobljeno 2. november 2026 Razvijalec
Na tej strani
  1. Oblikovanje: Makete in hitro prototipiranje
  2. Makete uporabniškega vmesnika
  3. Raziskovanje več vizualnih smeri
  4. Prototipiranje embalaže
  5. Avtomatizirane razpoloženjske table (Moodboards)
  6. Dosledni nabori ikon
  7. Izpopolnjevanje makete z urejanjem
  8. Kje se prototipiranje z AI konča

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. Modela gpt-image-1.5, gpt-image-1-mini in chatgpt-image-latest bosta umaknjena 1. decembra 2026. Primeri zdaj uporabljajo gpt-image-2.5-sunburst, ki ponuja najvišjo natančnost pri urejanju; gpt-image-2.5-flare je hitrejši za standardno generiranje. Oba modela podpirata tudi nastavitvi kakovosti xhigh in max. Modeli GPT Image vedno vrnejo slike v formatu base64: parameter response_format iz starejših modelov DALL·E ni več sprejet in je bil odstranjen iz kode. Vir: Generiranje slik (OpenAI).

Oblikovanje: Makete in hitro prototipiranje

GPT Image spremeni fazo oblikovanja manj zaradi kakovosti svojega izhoda kot zaradi nizkih stroškov njegovega zavrženja. Raziskovanje treh vizualnih smeri za domačo stran je v orodju za oblikovanje nekoč trajalo dan; zdaj traja nekaj minut. To ti omogoča, da raziščeš šest smeri in pet od njih brez oklevanja opustiš. Ta lekcija ti pokaže, kako izkoristiti to svobodo, ne da bi raziskovanje zamenjal s proizvodnjo.

Makete uporabniškega vmesnika

Generirana maketa služi izbiri smeri, ne pa razrezu na komponente. Tvoj poziv mora zato ciljati na vizualno verodostojnost: realistične komponente uporabniškega vmesnika, jasna tipografija, profesionalni razmiki, dosledna barvna paleta in navedba pričakovane stopnje zvestobe – v tem primeru „upodobitev visoke ločljivosti v slogu Figma/Sketch”. Opazi, kako funkcija izbere ločljivost: 1024×1536 pokončno za mobilne naprave, 1536×1024 ležeče za namizne računalnike. Generiranje mobilnega zaslona v ležečem okviru bi ustvarilo maketo, ki ne bi bila videti kot prava naprava.

from openai import OpenAI
import base64

client = OpenAI()

def ui_mockup(description: str, platform: str, output: str):
    """Generate a user interface mockup."""
    prompt = (
        f"UI/UX mockup for {platform}: {description}, "
        "modern and clean design, realistic UI components, "
        "clear typography, professional spacing, "
        "consistent color palette, "
        "high-fidelity render in the style of Figma/Sketch"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if platform == "mobile" else "1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"{platform} mockup: {output}")


ui_mockup(
    "analytics dashboard with charts, KPI cards, and navigation sidebar",
    "desktop",
    "dashboard_mockup.png"
)

ui_mockup(
    "fitness tracking app with home screen, statistics, and history",
    "mobile",
    "fitness_app_mockup.png"
)

Raziskovanje več vizualnih smeri

Na začetku projekta vprašanje ni „katera maketa je prava?”, temveč „katere estetske družine zaslužijo, da jih pokažemo naročniku?” Funkcija explore_directions odgovarja prav na to potrebo tako, da ohranja koncept stalnim – domača stran za spletno učno platformo – in spreminja le dve osi: umetniško smer in barvno paleto. Tri predlagane poti niso subtilne variacije: korporativni minimalizem v beli in temno modri, sodoben barvit slog v vijolični in oranžni ter premium temni slog v črni in električno modri ciljajo na tri različne pozicije blagovne znamke. Prav ta razpon naredi predstavitev uporabno.

from openai import OpenAI
import base64

client = OpenAI()

def explore_directions(concept: str, directions: list[dict], prefix: str):
    """Generate multiple visual directions for the same concept."""
    for i, direction in enumerate(directions):
        prompt = (
            f"{concept}, "
            f"art direction: {direction['style']}, "
            f"palette: {direction['palette']}, "
            "professional high-quality render"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{prefix}_direction_{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Direction {i+1} ({direction['style'][:30]}) → {path}")


explore_directions(
    "Homepage for an online learning platform",
    [
        {
            "style": "corporate minimal, lots of white space",
            "palette": "white, navy blue, light gray"
        },
        {
            "style": "modern and colorful, flat design illustrations",
            "palette": "purple, orange, white"
        },
        {
            "style": "dark and premium, subtle gradients",
            "palette": "black, electric blue, gold"
        },
    ],
    "landing_page"
)

Prototipiranje embalaže

Embalaža je verjetno področje, kjer je dobiček najbolj dramatičen, saj je fizični prototip drag in prispe pozno. Poziv tukaj namerno loči tri vnose – izdelek, slog in zahtevane elemente – nato pa vsili stalno postavitev: pogled 3/4, ki počiva na površini, fotorealističen upodobi z mehkimi sencami. Dva primera ilustrirata razpon, ki ga ta struktura obvlada brez težav: vrečka iz kraft papirja za organski čaj s pisano tipografijo in prozornim okencem na eni strani ter bel in zlat lonček za kremo z zlatimi črkami na drugi.

from openai import OpenAI
import base64

client = OpenAI()

def packaging_prototype(product: str, style: str, elements: str, output: str):
    """Generate a product packaging prototype."""
    prompt = (
        f"Packaging design for {product}, "
        f"style: {style}, "
        f"elements: {elements}, "
        "3/4 view of packaging resting on a surface, "
        "photorealistic render with soft shadows, "
        "professional design ready for client presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Packaging prototype: {output}")


packaging_prototype(
    "premium organic tea in a kraft bag",
    "natural and artisanal, handwritten typography",
    "tea leaf logo, product name, organic label, transparent window",
    "packaging_tea.png"
)

packaging_prototype(
    "high-end moisturizing cream in a jar",
    "minimalist luxury, white and gold",
    "centered logo, brand name in gold lettering, 50ml capacity",
    "packaging_cream.png"
)

Avtomatizirane razpoloženjske table (Moodboards)

Razpoloženjska tabla (moodboard) prenese namen, preden prikaže rešitev. Namesto da bi tablo sestavil ročno z zbiranjem referenc, opišeš temo in vizualne sestavine, nato pa zahtevaš asimetrično mrežno kompozicijo v slogu Pinteresta. Primer sodobnega souporabnega prostora (coworking) kaže koristno raven podrobnosti: ne imenuješ samo prostora, temveč našteješ svetlo notranjost z rastlinami, skandinavsko pohištvo, teksture lesa in betona, sproščeno človeško prisotnost ter paleto terakote, žajbljevo zelene in umazano bele barve. Teh pet vnosov daje rezultatu njegovo koherentnost.

from openai import OpenAI
import base64

client = OpenAI()

def generate_moodboard(theme: str, elements: list[str], output: str):
    """Generate a visual moodboard for a given theme."""
    elements_str = ", ".join(elements)
    prompt = (
        f"Professional moodboard for the theme \"{theme}\", "
        f"including: {elements_str}, "
        "asymmetric grid composition in the style of Pinterest, "
        "varied photos and textures, consistent palette, "
        "art direction style for agency presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Moodboard: {output}")


generate_moodboard(
    "Modern coworking space",
    [
        "bright interior with plants",
        "Scandinavian design furniture",
        "wood and concrete textures",
        "people working in a relaxed manner",
        "terracotta, sage green, off-white palette"
    ],
    "moodboard_coworking.png"
)

Dosledni nabori ikon

Posamezna ikona je enostavna; dosleden nabor pa je težaven, saj doslednost temelji na podrobnostih, ki so naivnemu pozivu nevidne. Funkcija icon_set jih naredi eksplicitne: za vsako ikono ponovno vstavi temo in slog, zahteva prozorno ali belo ozadje, centralno kadrovanje, enakomerno debelino črte in kvadratna razmerja ter opomni model, da slika spada v nabor. Pri petih ikonah aplikacije B2B SaaS – nadzorna plošča, uporabniki, nastavitve, obvestila, analitika – je prav ta opomnik tisti, ki prepreči, da bi dobil pet različnih grafičnih slogov. Uporaba sluga zagotavlja čista imena datotek in obravnava apostrofe in presledke.

from openai import OpenAI
import base64

client = OpenAI()

def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
    """Generate a consistent set of icons."""
    for icon in icons:
        prompt = (
            f"Single icon representing \"{icon}\", "
            f"theme: {theme}, "
            f"style: {style}, "
            "transparent or white background, centered, "
            "consistent design within an icon set, "
            "uniform stroke weight, square proportions"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        slug = icon.lower().replace(" ", "_").replace("'", "")
        path = f"{output_prefix}_{slug}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Icon {icon} → {path}")


icon_set(
    theme="B2B SaaS application",
    icons=["dashboard", "users", "settings", "notifications", "analytics"],
    style="line art, 2px stroke, navy blue, rounded corners",
    output_prefix="icon"
)

Izpopolnjevanje makete z urejanjem

Ponovno generiranje celotne makete za popravek enega samega območja povzroči izgubo vsega, kar je bilo drugje že zadovoljivo. Spodnji delovni tok poteka drugače: najprej generira popolno domačo stran za aplikacijo za upravljanje projektov, nato pa odpre okno v maski med 8 % in 45 % višine – to je pod glavo in nad bloki funkcij – da ponovno predvaja le herojski razdelek. Glava, navigacija in trije bloki ostanejo med različicama v1 in v2 strogo identični, kar naredi primerjavo pošteno: vidiš učinek svoje spremembe in ničesar drugega.

from openai import OpenAI
from PIL import Image, ImageDraw
import base64

client = OpenAI()

# Step 1: Generate the initial mockup
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Homepage mockup for a project management application, "
        "modern design, header with navigation, hero section with illustration, "
        "3 feature blocks, white background"
    ),
    size="1024x1536",
    quality="high",
)

data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
    f.write(data)
print("Mockup v1 generated")

# Step 2: Modify the hero section via editing
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Hero area: upper part (below the header)
draw.rectangle([0, int(h * 0.08), w, int(h * 0.45)], fill=(0, 0, 0, 0))
mask.save("mask_hero.png")

response = client.images.edit(
    model="gpt-image-2.5-sunburst",
    image=open("mockup_v1.png", "rb"),
    mask=open("mask_hero.png", "rb"),
    prompt=(
        "Hero section with a 3D isometric illustration of a kanban board, "
        "title 'Manage Your Projects Simply', blue CTA button, subtle gradient background"
    )
)

with open("mockup_v2.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 with modified hero")

Kje se prototipiranje z AI konča

Jasen moraš biti glede statusa tega, kar tukaj ustvariš. Generirane makete so vizualne raziskave, ne proizvodne datoteke: besedilo je dobro upodobljeno, lahko pa vsebuje manjše napake, komponente niti niso interaktivne niti izvozljljive v Figma, doslednost med več zasloni v istem uporabniškem toku pa ni zagotovljena. Oblikovalec, ki bi te slike prejel kot končni izdelek, bi upravičeno ugovarjal.

Njihova vrednost leži drugje in je precejšnja: služijo za validacijo smeri, preden se investira v končno oblikovanje. Izbira med tremi potmi v eni uri namesto v treh dneh, prihajanje na sestanek z naročnikom s slikami namesto s pridevniki, eliminacija lažno dobre ideje, preden porabi teden dni proizvodnje – to je tisto, kar ti prototipiranje z AI dejansko prinese.

Da se prepričaš, si izdelaj svoje orodje za zagon projekta: skripto, ki na podlagi povzetka generira tri vizualne smeri za domačo stran, pripadajočo razpoloženjsko tablo za vsako in primerjalni HTML katalog, ki ti omogoča, da jih predstaviš eno ob drugi.