Erfahre mehr über Google Gemini 2.5 für Computer Vision Aufgaben

Überblick über Gemini 2.5: Funktionen und Möglichkeiten

Die erste Version der Gemini 2.5 Modellreihe, die gerade veröffentlicht wurde, ist eine experimentelle Version von Gemini 2.5 Pro. Es wurde entwickelt, um komplexe Probleme zu lösen, indem es seine Antworten durchdenkt, bevor es eine Antwort gibt. Es nutzt Methoden wie Reinforcement Learning (das Modell lernt aus Rückmeldungen) und Chain-of-Thought Prompting (ein schrittweiser Ansatz zur Problemlösung).

Eines der wichtigsten Merkmale ist das riesige Kontextfenster, das 1 Million Token (etwa eine Million Wörter oder Wortteile) aufnehmen kann und voraussichtlich auf 2 Millionen anwachsen wird. Das bedeutet, dass das Modell viele Informationen auf einmal aufnehmen kann, was zu detaillierteren und genaueren Ergebnissen führt.

Zusätzlich zur Sprachverarbeitung kann Gemini 2.5 für die folgenden Computer Vision Aufgaben verwendet werden:

• Objekt-Erkennung: Bei der Objekterkennung werden Objekte in einem Bild identifiziert und lokalisiert. Sie kann in Anwendungen wie der Überwachung oder bei selbstfahrenden Autos eingesetzt werden.
  ‍
• Bildbeschriftung: Bei dieser Aufgabe geht es darum, einen beschreibenden Text für ein Bild zu erstellen. Er macht visuelle Inhalte zugänglicher und leichter verständlich.

• Optische Zeichenerkennung: Diese Technologie wandelt Text in Bildern in bearbeitbaren, maschinenlesbaren Text um. Sie ist nützlich, um Dokumente zu digitalisieren und die Dateneingabe zu automatisieren.

Benchmarking und Vergleich von Google Gemini 2.5 mit anderen Modellen

Auf dem Gebiet der KI gibt es heute mehrere multimodale Modelle. Deshalb ist es wichtig zu wissen, wie Gemini 2.5 Pro im Vergleich zu ihnen abschneidet. Auf der Grundlage von Benchmarking-Ergebnissen, die von Google DeepMind veröffentlicht wurden, zeigt Gemini 2.5 Pro eine beeindruckende Leistung bei einer Reihe von Aufgaben. 

Bei einem Test namens "Humanity's Last Exam", der eine anspruchsvolle Prüfung simuliert, die viele Fächer abdeckt und fortgeschrittenes logisches Denken und Allgemeinwissen testet, erzielt Gemini 2.5 Pro etwa 18,8 % und übertrifft damit Modelle wie o3-mini von OpenAI, das etwa 14 % erreicht. 

‍

Auch bei Mathe- und Codieraufgaben schneidet er sehr gut ab und erreicht oder übertrifft oft die Leistung von Modellen wie OpenAI GPT-4.5, Claude 3.7 Sonnet, Grok 3 Beta und DeepSeek R1, was seine Fähigkeit unter Beweis stellt, komplexe Aufgaben zu bewältigen und große Datenmengen zu verarbeiten.

Erste Schritte mit Gemini 2.5: Wie man die Google Gemini API nutzt

Gemini 2.5 Pro ist auf mehreren Plattformen verfügbar. Du kannst damit in Google AI Studio experimentieren und über die Gemini-App für Gemini Advanced-Nutzer darauf zugreifen. In seiner Ankündigung zur Markteinführung erwähnte Google DeepMind außerdem, dass das Modell bald auch von Vertex AI unterstützt wird. Diese Zugangsmöglichkeiten machen es Entwicklern leicht, Gemini 2.5 Pro für reale KI-Anwendungen zu nutzen. 

Wenn du jedoch die Google Gemini API nutzen und in wenigen Minuten ohne kompliziertes Setup loslegen möchtest und ein besseres Verständnis für die Fähigkeiten der Computer Vision gewinnen willst, kannst du dir das Ultralytics Notebook ansehen, das Aufgaben wie Objekterkennung und Bildbeschriftung mit Gemini 2.5 Pro vorstellt. Gehen wir im Detail durch, was dich im Notebook erwartet.

1# Initialize the Gemini client with your API key
2client = genai.Client(api_key="api_key")

Objekterkennung mit Google Gemini 2.5

Eines der wichtigsten Beispiele im Notizbuch ist die Objekterkennung mit Gemini 2.5 Pro. In diesem Beispiel gibst du dem Modell ein Bild und eine einfache Aufforderung, Objekte zu erkennen. 

Das Modell verarbeitet das Bild und gibt für jedes gefundene Objekt eine Reihe von Koordinaten und Beschriftungen zurück; diese Koordinaten werden in normalisierter Form angegeben. Diese Koordinaten werden in normalisierter Form angegeben. Mit Funktionen aus dem Ultralytics Python werden diese normalisierten Werte dann in die tatsächlichen Abmessungen des Bildes umgewandelt und klare Begrenzungsrahmen um jedes Objekt gezeichnet, wie unten gezeigt.

‍

Verbessern der OCR-Genauigkeit mit Google Gemini-Modellen

Eine Bildverarbeitungsaufgabe, die die Fähigkeit von Gemini 2.5 Pro nutzt, Text in Bildern zu lesen, ist OCR. Im Notizbuch kannst du dem Modell ein Bild mit Text und einer Aufforderung zum Extrahieren des Textes übergeben. Das Modell verarbeitet das Bild und gibt sowohl den erkannten Text als auch die Koordinaten, an denen sich der Text befindet, zurück (siehe unten).

1# Define the text prompt
2prompt = """
3Extract the text from the image
4"""
5
6# Fixed, plotting function depends on this.
7output_prompt = """
8Return just box_2d which will be location of detected text areas + label"""
9
10image, w, h = read_image("gemini-image3.png")  # Read image and extract width, height
11
12results = inference(image, prompt + output_prompt)

‍

Funktionen aus dem Ultralytics Python werden dann verwendet, um diese normalisierten Koordinaten in die tatsächlichen Abmessungen des Bildes umzuwandeln und Begrenzungsrahmen um die Textbereiche zu zeichnen. Diese kommentierte Ausgabe macht deutlich, wo sich der Text befindet, was für die Digitalisierung von Dokumenten, die Automatisierung der Dateneingabe und die Verbesserung der Zugänglichkeit nützlich ist.

‍

Praktische Anwendungen von Google Gemini 2.5

Nachdem wir uns nun angeschaut haben, wie Google Gemini 2.5 Pro für verschiedene Computer-Vision-Aufgaben eingesetzt werden kann, wollen wir nun einige reale Anwendungen erkunden, bei denen diese Fähigkeiten genutzt werden können.

Die Objekterkennungsfunktion von Gemini 2.5 Pro kann zum Beispiel dabei helfen, große Mengen von Bildern automatisch zu beschriften und zu organisieren, sodass Aufgaben wie die Erstellung von Datensätzen oder die Verwaltung von Inhalten viel schneller erledigt werden können. Auch in Bereichen wie dem Einzelhandel und der Landwirtschaft kann Gemini 2.5 Pro für die Analyse von Bildern eingesetzt werden, z. B. um Produkte in Regalen zu erkennen oder Anzeichen von Erntestress auf Fotos von Bauernhöfen zu identifizieren.

‍

Die Bildbeschriftungsfunktion des Modells kann sehbehinderten Nutzern helfen, zu verstehen, was auf einem Bild zu sehen ist. Wenn du z. B. ein Foto von einer belebten Straße hast, kann das Modell eine Bildunterschrift erstellen, die die Szene detailliert beschreibt und die Art der Fahrzeuge, die Aktivität der Fußgänger und sogar die Tageszeit anhand der Lichtverhältnisse angibt. 

Darüber hinaus kann die OCR-Funktion von Gemini 2.5 in einer Vielzahl von Anwendungen genutzt werden. Du kannst zum Beispiel gedruckte Dokumente digitalisieren, indem du Seiten oder Belege scannst. Diese Funktion ist ideal, um die Dateneingabe zu automatisieren, Formulare zu bearbeiten oder sogar Text von Visitenkarten und Schildern zu lesen. 

Insgesamt öffnet Google Gemini 2.5 Pro die Türen zu einer Vielzahl von praktischen KI-Anwendungen.

Die wichtigsten Erkenntnisse

Google Gemini 2.5 Pro geht über die Erstellung und Analyse von Text hinaus und kann für Computer-Vision-Aufgaben wie Objekterkennung, Bildbeschriftung und OCR verwendet werden. Mit seinem riesigen Kontextfenster und den erweiterten Argumentationsfähigkeiten liefert es detaillierte, kontextbezogene Ergebnisse, die in realen Szenarien gut funktionieren. 

Mit der Weiterentwicklung von KI-Modellen erleichtern Tools wie Gemini 2.5 Pro die Lösung komplexer Probleme in verschiedenen Branchen. Es ist wahrscheinlich, dass wir eine noch breitere Akzeptanz von KI erleben werden, da immer mehr Unternehmen nach flexiblen, multimodalen Lösungen suchen, die eine breite Palette von Aufgaben bewältigen können, vom visuellen Verständnis bis zur Sprachverarbeitung.

Werde Teil unserer Community und erfahre mehr über innovative KI-Projekte in unserem GitHub-Repository. Sieh dir die Anwendungen von Vision AI in der Landwirtschaft und die Rolle der KI in der Fertigung auf unseren Lösungsseiten an. Informiere dich über unsere Lizenzierungspläne und baue noch heute Computer Vision Lösungen!