Primerjava več slik
Na tej strani
Analiza več slik v enem samem zahtevku
Ena ključnih prednosti Grok Vision je zmožnost pošiljanja neomejenega števila slik v enem samem zahtevku. To odpira edinstvene možnosti za primerjavo, sledenje spremembam skozi čas in križno analizo, ki jih API-ji za posamezne slike ne morejo ponuditi.
Struktura zahtevka za več slik
Oblika je preprosta: v polje input dodajte toliko objektov input_image, kot jih potrebujete, in jih prepletajte z besedilom, ki usmerja analizo:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_text", "text": "Slika A:"},
{"type": "input_image", "image_url": url_image_a},
{"type": "input_text", "text": "Slika B:"},
{"type": "input_image", "image_url": url_image_b},
{"type": "input_text", "text": "Podrobno primerjaj ti dve sliki."}
]
)
Označevanje vsake slike z besedilom („Slika A”, „Slika B”) modelu pomaga strukturirati odgovor in se jasno sklicevati na vsako sliko.
Primer uporabe: Primerjava pred in po
Idealno za sledenje projektom, prenove, oblikovanje ali nadzor kakovosti:
def comparer_avant_apres(url_avant, url_apres):
prompt = """Primerjaj ti dve sliki (pred in po) in identificiraj:
1. Glavne spremembe
2. Elemente, ki se niso spremenili
3. Vidne izboljšave
4. Morebitne težave, ki so se pojavile
Svoj odgovor predstavi kot strukturiran seznam."""
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
Primer uporabe: Sledenje skozi čas
Sledi razvoju lokacije, izdelka ali procesa skozi čas:
def analyser_evolution(images_chronologiques):
"""images_chronologiques: seznam {"url": ..., "date": ...}"""
input_data = []
for img in images_chronologiques:
input_data.append({
"type": "input_text",
"text": f"Fotografija z dne {img['date']}:"
})
input_data.append({
"type": "input_image",
"image_url": img["url"],
"detail": "auto"
})
input_data.append({
"type": "input_text",
"text": """Analiziraj kronološki razvoj, viden na
teh slikah. Identificiraj postopne spremembe, trende
in morebitne pomembne dogodke med različnimi datumi."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Primer uporabe: Nadzor kakovosti
Primerjaj proizveden izdelek z njegovim referenčnim modelom:
def controle_qualite(url_reference, url_produit):
prompt = """Primerjaj fotografirani izdelek z referenčnim modelom.
Identificiraj:
1. Skladnost (kaj se ujema z modelom)
2. Neskladnost (odstopanja, napake, razlike)
3. Resnost vsake neskladnosti (manjša, večja, kritična)
Vrni JSON v obliki:
{
"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": "REFERENCA (pričakovani model):"},
{"type": "input_image", "image_url": url_reference, "detail": "high"},
{"type": "input_text", "text": "IZDELEK za preverbo:"},
{"type": "input_image", "image_url": url_produit, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Primer uporabe: Konkurenčna analiza
Primerjaj vmesnike, embalažo ali predstavitve izdelkov konkurentov:
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": """Primerjaj te izdelke/vmesnike konkurentov.
Za vsakega identificiraj vizualne prednosti in slabosti.
Podaj priporočilo za pozicioniranje."""
})
response = client.responses.create(
model="grok-4.5",
input=input_data,
store=False
)
return response.output_text
Optimizacija zahtevkov za več slik
Ko pošlješ veliko slik, poraba žetonov hitro naraste. Tukaj je nekaj strategij za optimizacijo:
Prilagodi raven podrobnosti
Uporabi low za splošne primerjave in high le pri analizi drobnih podrobnosti:
# Splošna primerjava: low je dovolj
detail = "low" # ~256 žetonov na sliko
# Analiza napak: zahtevano high
detail = "high" # ~1024-1792 žetonov na sliko
Omeji število slik na zahtevek
Čeprav ni stroge omejitve, se lahko pri več kot 10–15 slikah kakovost analize zmanjša. Model ima končen kontekst in ga mora razporediti med vse slike:
# Če je slik več kot 10, obdelaj v serijah
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)
Spremeni velikost slik
Če primerjaš fotografije z visoko ločljivostjo za splošno analizo, jih pred pošiljanjem pomanjšaj, da zmanjšaš porabo žetonov:
def preparer_pour_comparaison(chemin, taille_max=(800, 800)):
img = Image.open(chemin)
img.thumbnail(taille_max)
# ... kodiraj v base64
Ključne ugotovitve
- Število slik na zahtevek je neomejeno – to je ključna prednost API-ja xAI
- Vsako sliko označi z besedilom, da strukturiraš analizo
- Prilagodi parameter
detailvrsti primerjave - Pri več kot 10–15 slikah obdeluj v serijah, da ohraniš kakovost
- Primeri uporabe vključujejo: primerjavo pred in po, sledenje skozi čas, nadzor kakovosti in konkurenčno analizo