Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Jämförelse av flera bilder

Lektion 8 av 12 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. Analysera flera bilder i en enda förfrågan
  2. Struktur för förfrågan med flera bilder
  3. Användningsområde: Jämförelse före/efter
  4. Användningsområde: Tidsmässig spårning
  5. Användningsområde: Kvalitetskontroll
  6. Användningsområde: Konkurrensanalys
  7. Optimering av förfrågan med flera bilder
  8. Viktiga punkter

Analysera flera bilder i en enda förfrågan

En av Grok Visions främsta styrkor är möjligheten att skicka ett obegränsat antal bilder i en enda förfrågan. Detta öppnar upp för unika möjligheter inom jämförelse, tidsmässig spårning och tväranalys som API:er för enstaka bilder inte kan erbjuda.

Struktur för förfrågan med flera bilder

Formatet är enkelt: lägg till så många input_image-objekt du behöver i input-arrayen, växlade med text för att styra analysen:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_text", "text": "Bild A:"},
        {"type": "input_image", "image_url": url_image_a},
        {"type": "input_text", "text": "Bild B:"},
        {"type": "input_image", "image_url": url_image_b},
        {"type": "input_text", "text": "Jämför dessa två bilder i detalj."}
    ]
)

Genom att märka varje bild med text (“Bild A”, “Bild B”) hjälper du modellen att strukturera sitt svar och tydligt referera till varje bild.

Användningsområde: Jämförelse före/efter

Perfekt för projektuppföljning, renovering, design eller kvalitetskontroll:

def comparer_avant_apres(url_avant, url_apres):
    prompt = """Jämför dessa två bilder (före och efter) och identifiera:

1. De viktigaste förändringarna
2. Element som inte har förändrats
3. Synliga förbättringar
4. Eventuella problem som har uppstått

Presentera ditt svar som en strukturerad lista."""

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

Användningsområde: Tidsmässig spårning

Följ utvecklingen av en plats, produkt eller process över tid:

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

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

    input_data.append({
        "type": "input_text",
        "text": """Analysera den kronologiska utvecklingen som syns i
dessa bilder. Identifiera progressiva förändringar, trender
och eventuella anmärkningsvärda händelser mellan de olika datum."""
    })

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

Användningsområde: Kvalitetskontroll

Jämför en tillverkad produkt med dess referensmodell:

def controle_qualite(url_reference, url_produit):
    prompt = """Jämför den fotograferade produkten med referensmodellen.

Identifiera:
1. Överensstämmelse (vad som matchar modellen)
2. Avvikelser (fel, defekter, skillnader)
3. Allvarlighetsgraden för varje avvikelse (mindre, större, kritisk)

Returnera en JSON med:
{
  "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": "REFERENS (förväntad modell):"},
            {"type": "input_image", "image_url": url_reference, "detail": "high"},
            {"type": "input_text", "text": "PRODUKT att kontrollera:"},
            {"type": "input_image", "image_url": url_produit, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Användningsområde: Konkurrensanalys

Jämför gränssnitt, förpackningar eller produktresentationer från konkurrenter:

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": """Jämför dessa konkurrenters produkter/gränssnitt.
Identifiera visuella styrkor och svagheter för var och en.
Ge en rekommendation för positionering."""
    })

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

Optimering av förfrågan med flera bilder

När du skickar många bilder ökar tokenförbrukningen snabbt. Här är några strategier för optimering:

Justera detaljnivån

Använd low för generella jämförelser och high endast när du analyserar fina detaljer:

# Global jämförelse: low räcker
detail = "low"  # ~256 tokens per bild

# Defektanalys: high krävs
detail = "high"  # ~1024-1792 tokens per bild

Begränsa antalet bilder per förfrågan

Även om det inte finns någon hård gräns, kan analyskvaliteten minska vid mer än 10–15 bilder. Modellen har ett ändligt sammanhang som måste fördelas över alla bilder:

# Om fler än 10 bilder, bearbeta i batchar
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)

Ändra storlek på bilder

Om du jämför högupplösta foton för generell analys, ändra storlek på dem innan sändning för att reducera tokenanvändningen:

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

Viktiga punkter

  • Antalet bilder per förfrågan är obegränsat – detta är en nyckelfördel med xAI:s API
  • Märk varje bild med text för att strukturera analysen
  • Justera parametern detail efter vilken typ av jämförelse du gör
  • Vid fler än 10–15 bilder, bearbeta i batchar för att behålla kvaliteten
  • Användningsområden inkluderar: före/efter-jämförelser, tidsmässig spårning, kvalitetskontroll och konkurrensanalys