इमेज से JSON प्रॉम्प्ट: संपादन और जाँच का व्यावहारिक तरीका

इमेज से JSON प्रॉम्प्ट बनाने का सही उद्देश्य किसी “छिपे हुए मूल प्रॉम्प्ट” को वापस पाना नहीं है। इसका उपयोग रेफरेंस की एक ऐसी दृश्य specification बनाने के लिए करें जिसे फ़ील्ड-दर-फ़ील्ड बदला और जाँचा जा सके। भरोसेमंद क्रम है: केवल दिखाई देने वाली बातों को लिखें, क्या स्थिर रहेगा और क्या बदलेगा इसे अलग करें, कई candidate बनाएं, फिर हर candidate को उसी checklist से रेफरेंस के सामने परखें।

JSON subject, composition, lighting, color, material और text को अलग करता है। लेकिन अंतिम pixels से सटीक camera model, frame के बाहर की light technology, exact font name, seed या creator के मूल शब्द नहीं मिलते। इसलिए लक्ष्य pixel-perfect copy नहीं, बल्कि नियंत्रित और जाँच योग्य visual similarity है।

नीचे copy-ready analysis prompt, JSON schema, editing plan और acceptance process दिया गया है।

यह वर्कफ़्लो कब उपयोगी है

इसे तब अपनाएं जब आपको:

• रेफरेंस का visual logic बनाए रखते हुए चुनिंदा हिस्से बदलने हों;
• एक specification को अलग-अलग image models में दोबारा उपयोग करना हो;
• समझना हो कि output “style में सही” पर layout में गलत क्यों है;
• photo, ad, poster, interface या illustration की repeatable review करनी हो।

JSON को recovered original prompt न कहें। अंतिम image में पूरी generation history, hidden references, ignored instructions और post-processing मौजूद नहीं होते।

अच्छे JSON की तीन विशेषताएँ हैं:

1. Observable: हर factual statement image में दिखती है।
2. Editable: महत्वपूर्ण visual dimensions अलग fields में हैं।
3. Testable: हर field का output में जाँचा जा सकने वाला संकेत है।

शुरू करने से पहले

तैयार रखें:

• कानूनी रूप से उपयोग योग्य, सर्वोत्तम resolution वाली reference image;
• image समझने वाला vision model;
• image generator या editor;
• JSON, model version, settings और outputs सहेजने की जगह;
• एक स्पष्ट वाक्य: क्या बिल्कुल नहीं बदलना है और क्या बदल सकता है।

Browser chrome, comments और design से बाहर की borders को crop करें। जब तक aspect ratio बदलना task का हिस्सा न हो, मूल ratio बनाए रखें।

OpenAI की आधिकारिक image और vision documentation तथा Google की image understanding documentation image inputs के analysis को दस्तावेज़ करती हैं। उनके generation tools reference images और iterative editing भी support करते हैं। Request format provider के अनुसार बदलता है, इसलिए नीचे का तरीका model-independent है।

चरण 1: रेफरेंस से observation JSON निकालें

Image के साथ यह prompt भेजें। यह invisible details को fact बनाने से रोकता है और unknown value पर null माँगता है।

आप visual evidence analyst हैं। संलग्न reference image का विश्लेषण करें
और केवल एक valid JSON object लौटाएँ।

नियम:
1. केवल वही लिखें जो image में सीधे दिखाई देता है।
2. hidden causes, original prompt, exact camera equipment, exact date,
   न दिखने वाली light technology या unreadable text का अनुमान न लगाएँ।
3. जिस value का निर्धारण image से न हो सके, उसके लिए null लिखें।
4. अलग visual dimensions को अलग fields में रखें।
5. स्पष्ट text को अक्षरशः लिखें; धुँधले अक्षर न गढ़ें।
6. spatial relationships साफ लिखें: left/right, above/below,
   foreground/background, centered/off-center, relative size और overlap।
7. उत्तर देने से पहले fields में contradictions जाँचें।
8. values में ठोस पूर्ण वाक्य लिखें, vague adjective lists नहीं।

यह structure लौटाएँ:
{
  "image_type": null,
  "subject": null,
  "action": null,
  "location": null,
  "composition": {
    "orientation_and_aspect_ratio": null,
    "framing_and_crop": null,
    "subject_placement": null,
    "spatial_relationships": null,
    "negative_space": null
  },
  "lighting": {
    "visible_direction": null,
    "apparent_temperature": null,
    "softness_and_contrast": null,
    "highlights_reflections_shadows": null,
    "unknown_causes": null
  },
  "color_palette": null,
  "materials_and_textures": null,
  "camera_and_focus": {
    "viewpoint": null,
    "perspective": null,
    "depth_of_field": null,
    "sharp_and_blurred_regions": null
  },
  "text_and_typography": {
    "verbatim_text": [],
    "placement_and_alignment": null,
    "size_hierarchy": null,
    "visible_lettering_style": null,
    "unreadable_text": null
  },
  "style": null,
  "mood_and_vibe": null,
  "uncertainties": [],
  "exclusions": null
}

Generation से पहले JSON validate करें

चार बातें जाँचें:

• JSON parse होता है; comments, trailing commas या extra explanation नहीं हैं;
• सभी आवश्यक fields मौजूद हैं;
• unknown बातें null या uncertainties में हैं;
• fields एक-दूसरे का विरोध नहीं करते।

इस guide को प्रेरित करने वाले user-reported example में दो महत्वपूर्ण errors दिखे। Fridge में बैठे cat की photo से cool interior light और warm kitchen light दिखती थी, पर यह साबित नहीं होता कि bulb “LED” था। Website screenshot में headline left-aligned था, फिर भी analysis ने hero को एक साथ “centered” और “left-aligned” कहा। पहला unsupported inference है; दूसरा internal contradiction। दोनों को generation से पहले fail करना चाहिए।

चरण 2: locked, editable और unknown अलग करें

पूरे JSON को तुरंत rewrite न करें। पहले तीन states बनाएं:

State	अर्थ	उदाहरण
locked	जैसा है वैसा रखना है	subject position, hierarchy, aspect ratio
editable	जानबूझकर बदलना है	product color, setting, headline
unknown	image से साबित नहीं होता	lens, hidden light type, exact font

Observation JSON के साथ control object रखें:

{
  "locked": [
    "एक मुख्य subject lower-left third में",
    "दाईं ओर बड़ा negative space",
    "soft side light और low overall contrast",
    "supporting line के ऊपर headline"
  ],
  "editable": {
    "subject": "ceramic mug को transparent glass bottle से बदलें",
    "accent_color": "muted red को cobalt blue करें",
    "verbatim_text": ["NORTH", "STILL WATER"]
  },
  "unknown": [
    "camera model",
    "exact focal length",
    "exact font family",
    "off-frame light का physical type"
  ],
  "hard_constraints": [
    "अतिरिक्त text न जोड़ें",
    "camera viewpoint न बदलें",
    "reference layout के बाहर objects न जोड़ें"
  ]
}

अब generator को तीन अलग आदेश साफ मिलते हैं: preserve, change और do not invent।

Conflicts हटाएँ

Specification को साधारण भाषा में पढ़ें:

• subject एक साथ centered और left-aligned नहीं हो सकता;
• crop description aspect ratio से मेल खानी चाहिए;
• soft diffuse light और hard-edged shadows साथ हों तो दूसरी visible source का evidence चाहिए;
• “no text” और required headline साथ नहीं हो सकते;
• एक object दो mutually exclusive positions में नहीं हो सकता।

Contradictory specification को model अपने आप सही नहीं करेगा। वह एक विकल्प चुन सकता है, दोनों मिला सकता है या दोनों ignore कर सकता है।

चरण 3: पहला controlled batch बनाएं

Observation JSON और control object generator को दें। Tool reference input support करे तो image भी attach करें। OpenAI की image generation guide और Google की image generation guide image-input तथा iterative editing workflows दिखाती हैं, लेकिन exact capability model पर निर्भर करती है।

यह handoff prompt उपयोग करें:

संलग्न reference और JSON specification से एक नई image बनाएं।

Priority:
1. hard_constraints का पालन करें।
2. locked की हर item preserve करें।
3. केवल editable में लिखे changes लागू करें।
4. unknown को unknown ही रखें; technical details न गढ़ें।
5. पहले composition और spatial relationships match करें, फिर texture।
6. Quotes वाला text ठीक एक बार और बिना extra words के render करें।
7. Watermark, signature या protected logo copy न करें।

केवल एक image लौटाएँ; prompt की व्याख्या न करें।

Raw JSON ignore हो तो उसी information को labeled prose में दें:

SUBJECT:
COMPOSITION:
LIGHTING:
COLOR:
MATERIALS:
TEXT:
STYLE:
PRESERVE:
CHANGE:
DO NOT ADD:

JSON आपकी editable source of truth है, हर image model का universal protocol नहीं।

पहले batch में:

1. reference का aspect ratio रखें;
2. seed मिले तो रिकॉर्ड करें, पर cross-model portability न मानें;
3. तीन या चार candidates बनाएं;
4. exact JSON, model/version, settings, reference और outputs save करें;
5. runs को v01-a, v01-b, v01-c जैसे IDs दें।

Success signal “सुंदर लग रही है” नहीं है। Success है: कम-से-कम एक candidate सभी hard gates पास करे और top-priority fields में major failure न हो।

चरण 4: रेफरेंस के सामने score करें

दोनों images को समान display size पर रखें। हर row में:

• 0 = गलत या missing;
• 1 = आंशिक रूप से सही;
• 2 = intended use के लिए स्वीकार्य।

Field	क्या तुलना करें
Subject	count, defining features, silhouette, relative size
Composition	placement, crop, balance, negative space, overlap
Spatial relations	left/right, above/below, front/behind
Lighting	visible direction, temperature, softness, contrast, shadows
Color	dominant, supporting, accent colors और उनकी जगह
Materials	gloss, transparency, fabric, grain, fur, metal, paper
Text	exact wording, count, spelling, alignment, hierarchy
Style and mood	medium, finish, treatment, atmosphere

Hard gates:

• prompt में unsupported invisible claims नहीं;
• prompt में contradiction नहीं;
• required text सही है;
• critical spatial relationships preserved हैं;
• unrequested logo, watermark, object या text नहीं।

Total score candidates को rank कर सकता है, लेकिन hard gate failure को compensate नहीं करता। गलत headline या flipped layout वाली सुंदर image भी fail है।

बड़े से छोटे तक जाँचें

क्रम:

1. canvas और composition;
2. subject count, position और scale;
3. lighting और बड़े color blocks;
4. material और texture;
5. typography और छोटे details।

Subject frame के गलत हिस्से में हो तो fur texture सुधारने का कोई लाभ नहीं।

चरण 5: हर round में एक field group बदलें

Best candidate को baseline बनाएं। सबसे बड़ी समस्या से जुड़े fields ही बदलें।

Failure	क्या बदलें	क्या preserve करें
Subject बहुत बड़ा	composition में placement और scale	viewpoint, light, palette
Layout drift	spatial relations और negative space	subject appearance, materials
Scene बहुत warm	temperature और palette	geometry और text
Product plastic जैसा	material, highlights, reflections	shape, position, label
Text misspelled	verbatim text, count, position	editing हो तो non-text pixels
Style सही, identity गलत	subject features या reference strength	composition और background

Iteration prompt: “केवल headline text बदलें। Crop, viewpoint, object geometry, lighting, colors और बाकी text को unchanged रखें।”

Official prompting guidance भी changes और preservation constraints अलग रखने तथा एक समय में एक चीज refine करने की सलाह देती है। इससे हर iteration diagnose की जा सकती है।

आम समस्याएँ और समाधान

Output valid JSON नहीं है

Existing response repair कराएं:

नीचे के content को valid JSON में repair करें। Image-supported content बनाए रखें।
कोई नया visual claim न जोड़ें। केवल JSON लौटाएँ।

JSON schema syntax errors रोक सकती है, लेकिन claims की सत्यता साबित नहीं करती।

Generator JSON ignore करता है

Data को labeled prose में बदलें। अंत में PRESERVE, CHANGE, DO NOT ADD दोहराएँ। Low-priority विवरण हटाएँ ताकि critical constraints दबें नहीं।

Composition बार-बार drift करती है

Concrete relations जोड़ें:

• “subject center canvas width के लगभग 30% पर”;
• “headline का left edge image guide से aligned”;
• “product lower third में”;
• “right half mostly empty”।

Coordinates guidance हैं, guarantee नहीं। Output inspect करना जरूरी है।

Exact text गलत आता है

Text को quotes में दें, occurrences और position बताएं, extra text रोकें। Provider text-first workflow सुझाए तो पहले copy तैयार करें, फिर image बनाएं। Legal या commercial text के लिए final typesetting design tool में करने का fallback रखें। OpenAI की current documentation precise text placement और clarity की limitations बताती है; Google भी image text के लिए पहले text तैयार करने की सलाह देता है।

Character या product हर round में बदलता है

Best previous output को edit input बनाएं, फिर identity, geometry और labels का छोटा block दोहराएँ। कई runs compare करें; recurring characters, brand elements और precise layout में variation अभी भी हो सकती है।

Image लौटने से पहले request fail होती है

Error और request ID save करें। Authentication, quota, unsupported input या moderation issue पहले ठीक करें। केवल transient rate-limit या server errors पर backoff retry करें; user-correctable prompt/image error को बदलना आवश्यक है।

Acceptance record सहेजें

{
  "run_id": "v03-b",
  "reference_file": "reference.png",
  "analysis_json": "reference.v01.json",
  "generator_and_version": "actual-value-record करें",
  "settings": {
    "aspect_ratio": "actual-value-record करें",
    "quality": "actual-value-record करें",
    "seed": null
  },
  "scores": {
    "subject": 2,
    "composition": 2,
    "spatial_relations": 2,
    "lighting": 1,
    "color": 2,
    "materials": 1,
    "text": 2,
    "style_and_mood": 2
  },
  "hard_gates": {
    "unsupported_claims": false,
    "contradictions": false,
    "required_text_wrong": false,
    "critical_layout_wrong": false,
    "unrequested_elements": false
  },
  "decision": "accept",
  "next_change": null
}

यह “मुझे B पसंद है” को auditable decision में बदलता है और दिखाता है कि model बदलने से quality बढ़ी या केवल style बदली।

अक्सर पूछे जाने वाले प्रश्न

क्या exact original prompt recover हो सकता है?

नहीं। केवल visible evidence की उपयोगी description बन सकती है। Original workflow में hidden references, seeds, settings, ignored instructions, multiple edits और post-processing हो सकती है।

Camera और lighting fields में क्या लिखें?

Visible effects लिखें: viewpoint, perspective, depth of field, shadow softness, apparent direction और color temperature। Separate verified source के बिना exact equipment या invisible technology न लिखें।

क्या हर generator JSON स्वीकार करता है?

नहीं। JSON को master specification रखें और उसे target tool के सबसे प्रभावी format में बदलें।

कितनी iterations करें?

तीन या चार candidates से शुरू करें, best baseline चुनें और हर round एक field group बदलें। सभी hard gates पास हों और आगे बदलाव practical result न सुधारें तो रुकें।

High similarity score पर्याप्त है?

नहीं। वह wrong text, reversed layout, extra object या invented logo छिपा सकता है। Field-level checks आवश्यक हैं।

स्रोत और evidence level

• Vox की X thread: field-by-field workflow को प्रेरित करने वाली user-reported practice; independent benchmark नहीं।
• OpenAI images and vision, image generation और image prompting: image inputs, iterative editing, prompt structure, evaluation और limitations की official documentation।
• Google image understanding और image generation: image analysis, structured JSON, reference workflows, iteration और limitations की official documentation।

मुख्य सिद्धांत provider से स्वतंत्र है: observable evidence को एक structure में रखें, changes साफ लिखें और output को prompt की लंबाई से नहीं, reference के सामने जाँच कर स्वीकार करें।