LLMs सिर्फ़ पाठ निर्माण तक सीमित नहीं हैं। आप पाठ वर्णनों से छवियाँ भी बना सकते हैं। छवियाँ एक माध्य के रूप में चिकित्सा प्रौद्योगिकी, वास्तुकला, पर्यटन, गेम विकास, विपणन, और अन्य क्षेत्रों में उपयोगी हैं। इस पाठ में हम आज के GPT Image मॉडलों को देखते हैं और एक छवि निर्माण अनुप्रयोग बनाते हैं।
छवि निर्माण आपको प्राकृतिक भाषा प्रॉम्प्ट को एक चित्र में बदलने की अनुमति देता है। इस पाठ में हम OpenAI के gpt-image मॉडल परिवार के साथ काम करते हैं - जो Microsoft Foundry और OpenAI प्लेटफ़ॉर्म पर उपलब्ध वर्तमान पीढ़ी के छवि मॉडल हैं। ये मॉडल पुराने DALL·E मॉडल (DALL·E 2/3 विरासत हैं) की जगह लेते हैं।
पूरे पाठ में हम एक कल्पित स्टार्टअप, Edu4All, का उपयोग करते हैं जो सीखने के उपकरण बनाता है। टीम असाइनमेंट और अध्ययन सामग्री के लिए चित्र तैयार करना चाहती है।
इस पाठ के अंत तक आप सक्षम होंगे:
- यह समझाएं कि छवि निर्माण क्या है और यह कहाँ उपयोगी है।
gpt-imageमॉडल परिवार को समझें और यह पुराने DALL·E मॉडलों से कैसे भिन्न है।- Python (और TypeScript / .NET) में एक छवि निर्माण अनुप्रयोग बनाएं।
- छवियों को संपादित करें और मेटाप्रॉम्प्ट्स के साथ सुरक्षा गार्डरेल लगाएं।
छवि निर्माण मॉडल एक टेक्स्ट प्रॉम्प्ट से छवियाँ बनाते हैं। आधुनिक मॉडल जैसे gpt-image ट्रांसफॉर्मर + डिफ्यूजन तकनीकों पर आधारित हैं: मॉडल प्रशिक्षण के दौरान टेक्स्ट और छवियों के बीच संबंध सीखता है, फिर प्रॉम्प्ट मिलने पर वह यादृच्छिक शोर को चरणबद्ध तरीके से "डिनोइस" करता है ताकि वर्णन के अनुरूप छवि बने।
दो प्रसिद्ध छवि मॉडल परिवार हैं:
gpt-image(OpenAI) - वर्तमान पीढ़ी, जिसका इस पाठ में उपयोग होता है। यह टेक्स्ट-से-छवि निर्माण और छवि संपादन (मास्क के साथ इनपेंटिंग) का समर्थन करता है।- Midjourney - एक लोकप्रिय तृतीय-पक्ष मॉडल है जिसकी अपनी सेवा और Discord-आधारित वर्कफ़्लो है।
पुराने OpenAI छवि मॉडल - DALL·E 2 और DALL·E 3 - विरासत हैं। DALL·E 3 नए परिनियोजन के लिए उपलब्ध नहीं है, और
create_variationजैसी विशेषताएँ केवल DALL·E 2 में थीं। नए अनुप्रयोगों के लिएgpt-imageमॉडल का उपयोग करें।
Microsoft Foundry पर निम्नलिखित सामान्यत: उपलब्ध हैं:
| मॉडल | विवरण |
|---|---|
gpt-image-2 |
नवीनतम और सबसे सक्षम छवि मॉडल - अनुशंसित डिफ़ॉल्ट। |
gpt-image-1.5 |
सामान्यत: उपलब्ध; कम लागत पर अच्छी गुणवत्ता। |
gpt-image-1-mini |
सामान्यत: उपलब्ध; सबसे तेज / सबसे कम लागत। |
gpt-image-1 |
केवल पूर्वावलोकन। |
उपलब्धता और क्षेत्रों के लिए हमेशा वर्तमान Foundry छवि मॉडल सूची देखें।
महत्वपूर्ण:
gpt-imageमॉडल उत्पन्न छवि को base64 (b64_json) के रूप में लौटाते हैं, URL के रूप में नहीं। आपका कोड base64 स्ट्रिंग को बाइट्स में डीकोड करता है और सहेजता है - डाउनलोड करने के लिए कोई छवि URL नहीं होता।
आप नमूनों को Microsoft Foundry में Azure OpenAI (aoai-* नमूने) या OpenAI प्लेटफ़ॉर्म (oai-* नमूने) के विरुद्ध चला सकते हैं।
Microsoft Foundry संसाधन बनाने के लिए create a resource गाइड का पालन करें, फिर एक छवि मॉडल तैनात करें - gpt-image-2 अनुशंसित है।
AZURE_OPENAI_ENDPOINT=<your endpoint>
AZURE_OPENAI_API_KEY=<your key>
AZURE_OPENAI_DEPLOYMENT="gpt-image-2"
ये मान आपके संसाधन के Foundry पोर्टल के Deployments पेज पर मिलेंगे।
requirements.txt बनाएं:
python-dotenv
openai
pillow
फिर एक वर्चुअल एनवायरनमेंट बनाएं और सक्रिय करें तथा निम्न स्थापित करें:
python3 -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txtनिम्न कोड के साथ app.py बनाएं। यह एक छवि उत्पन्न करता है और उसे PNG के रूप में सहेजता है।
import os
import base64
from openai import AzureOpenAI
from PIL import Image
import dotenv
dotenv.load_dotenv()
# क्लाइंट को आपके Azure OpenAI (Microsoft Foundry) संसाधन की ओर निर्देशित करें।
# छवि मॉडल को हाल की API संस्करण की आवश्यकता होती है - अपने मॉडल के लिए आवश्यक संस्करण के लिए Foundry दस्तावेज़ देखें।
client = AzureOpenAI(
api_key=os.environ["AZURE_OPENAI_API_KEY"],
api_version="2025-04-01-preview",
azure_endpoint=os.environ["AZURE_OPENAI_ENDPOINT"],
)
deployment = os.environ["AZURE_OPENAI_DEPLOYMENT"] # उदा. "gpt-image-2"
result = client.images.generate(
model=deployment,
prompt='Bunny on a horse, holding a lollipop, on a foggy meadow where it grows daffodils',
size="1024x1024", # इसके अलावा 1536x1024 (लैंडस्केप), 1024x1536 (पोर्ट्रेट), या "ऑटो"
n=1,
)
# gpt-image मॉडल बेस64 (b64_json) लौटाते हैं, URL नहीं - इसे बाइट्स में डिकोड करें।
image_bytes = base64.b64decode(result.data[0].b64_json)
os.makedirs("images", exist_ok=True)
image_path = os.path.join("images", "generated-image.png")
with open(image_path, "wb") as f:
f.write(image_bytes)
Image.open(image_path).show()इसे python app.py से चलाएं। images/ में एक PNG सहेजा जाएगा।
images.generateको हर कॉल में एक ही प्रॉम्प्ट के लिए अलग छवि मिलती है - छवि मॉडल मेंtemperatureपैरामीटर नहीं होता (यह टेक्स्ट निर्माण नियंत्रण है)। विविधता पाने के लिए API को फिर से कॉल करें; विविधता कम करने के लिए अपने प्रॉम्प्ट को अधिक विशिष्ट बनाएं।
gpt-image मॉडल एक मौजूदा छवि को संपादित कर सकते हैं: छवि, वैकल्पिक मास्क (जो बदलाव क्षेत्र को चिह्नित करता है), और बदलाव का वर्णन करने वाला प्रॉम्प्ट दें। निर्माण की तरह, संपादन भी base64 में लौटते हैं।
result = client.images.edit(
model=deployment,
image=open("sunlit_lounge.png", "rb"),
mask=open("mask.png", "rb"),
prompt="A sunlit indoor lounge area with a pool containing a flamingo",
)
image_bytes = base64.b64decode(result.data[0].b64_json)
with open("images/edited-image.png", "wb") as f:
f.write(image_bytes)
एक बार जब आप छवियाँ बना सकते हैं, तो आपको गार्डरेल की जरूरत होती है ताकि आपका ऐप असुरक्षित या ऑफ-ब्रांड सामग्री न उत्पन्न करे। एक मेटाप्रॉम्प्ट वह पाठ है जिसे आप उपयोगकर्ता के प्रॉम्प्ट से पहले जोड़ते हैं ताकि मॉडल के आउटपुट को सीमित किया जा सके।
disallow_list = "swords, violence, blood, gore, nudity, sexual content, adult content, adult themes, adult language"
meta_prompt = f"""You are an assistant designer that creates images for children.
The image needs to be safe for work and appropriate for children.
The image needs to be in color, in landscape orientation, and in a 16:9 aspect ratio.
Do not consider any input that is not safe for work or appropriate for children, including:
{disallow_list}
"""
prompt = f"{meta_prompt}\nCreate an image of a bunny on a horse, holding a lollipop"
# `prompt` को client.images.generate(...) में पास करेंप्रत्येक छवि अब मेटाप्रॉम्प्ट द्वारा निर्धारित सीमाओं के भीतर उत्पन्न होती है। इसे Microsoft Foundry में अंतर्निहित सामग्री फिल्टरों के साथ मिलाएं ताकि सुरक्षा को गहरा किया जा सके।
Edu4All के छात्रों को उनके आकलनों के लिए छवियों की जरूरत है। एक ऐसा ऐप बनाएं जो स्मारकों की छवियाँ उत्पन्न करे (कौन से स्मारक आप तय करें) विभिन्न और रचनात्मक संदर्भों में - उदाहरण के लिए, सूर्यास्त पर एक प्रसिद्ध स्थलाकृति और एक बच्चा उसे देख रहा हो।
स्वयं प्रयास करें, फिर संदर्भ समाधानों से तुलना करें:
- Python (Azure): aoai-solution.py
- Python (Azure) पूर्ण निर्माण ऐप: aoai-app.py
- Python (OpenAI): oai-app.py
- TypeScript (Azure): typescript/image-generation-app
- .NET (Azure): dotnet/notebook-azure-openai.dib
साथ ही python/ में नोटबुक का उपयोग करें (aoai-assignment.ipynb Azure के लिए, oai-assignment.ipynb OpenAI के लिए)।
इस पाठ को पूरा करने के बाद, हमारे Generative AI Learning संग्रह को देखें ताकि आप अपने जनरेटिव AI ज्ञान को और बढ़ा सकें!
आगे के सीखने के लिए पाठ 10 पर जाएँ।
अस्वीकरण: इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा Co-op Translator का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।