Scopri Google Gemini 2.5 per i compiti di computer vision

Panoramica di Gemini 2.5: caratteristiche e funzionalità

La prima versione della serie di modelli Gemini 2.5 appena rilasciata è una versione sperimentale di Gemini 2.5 Pro. È stato progettato per gestire problemi complessi riflettendo sulle sue risposte prima di dare una risposta. Utilizza metodi come l'apprendimento per rinforzo (in cui il modello impara dal feedback) e il prompt a catena (un approccio graduale alla risoluzione dei problemi).

Una delle sue caratteristiche principali è l'enorme finestra contestuale, che può contenere 1 milione di token (circa un milione di parole o parti di parole) e che si prevede possa arrivare a 2 milioni. Ciò significa che il modello è in grado di recepire molte informazioni contemporaneamente, ottenendo risultati più dettagliati e accurati.

Oltre al linguaggio di elaborazione, Gemini 2.5 può essere utilizzato per le seguenti attività di computer vision:

• Rilevamento dell'oggetto: È il processo di identificazione e localizzazione degli oggetti all'interno di un'immagine. Può essere utilizzato in applicazioni come la sorveglianza o le auto a guida autonoma.
  ‍
• Didascalia dell'immagine: Questo compito consiste nel generare un testo descrittivo per un'immagine. Rende i contenuti visivi più accessibili e facili da capire.

• Riconoscimento ottico dei caratteri: Questa tecnologia converte il testo presente nelle immagini in testo modificabile e leggibile dalla macchina. È utile per digitalizzare i documenti e automatizzare l'inserimento dei dati.

Analisi comparativa e confronto di Google Gemini 2.5 con altri modelli

Esistono diversi modelli multimodali oggi disponibili nel settore dell'intelligenza artificiale, quindi è importante capire come Gemini 2.5 Pro si pone rispetto ad essi. In base ai risultati dei benchmark condivisi da DeepMind di Google, Gemini 2.5 Pro mostra prestazioni impressionanti in una serie di compiti. 

Ad esempio, in un test chiamato Humanity's Last Exam, che simula un esame impegnativo che copre molte materie e mette alla prova il ragionamento avanzato e la conoscenza generale, Gemini 2.5 Pro ha ottenuto un punteggio di circa il 18,8%, superando modelli come o3-mini di OpenAI, che ha ottenuto circa il 14%. 

‍

Si comporta molto bene anche nelle sfide matematiche e di codifica, spesso eguagliando o superando le prestazioni di modelli come OpenAI GPT-4.5, Claude 3.7 Sonnet, Grok 3 Beta e DeepSeek R1, dimostrando la sua capacità di gestire compiti complessi ed elaborare grandi quantità di dati.

Come usare Gemini 2.5: come usare l'API Google Gemini

Gemini 2.5 Pro è disponibile su diverse piattaforme. Puoi sperimentarlo in Google AI Studio e accedervi attraverso l'app Gemini per gli utenti di Gemini Advanced. Nel suo annuncio di lancio, Google DeepMind ha anche menzionato che il modello sarà presto supportato da Vertex AI. Questi punti di accesso consentono agli sviluppatori di utilizzare facilmente Gemini 2.5 Pro per le applicazioni di AI del mondo reale. 

Tuttavia, se vuoi utilizzare l'API Google Gemini e iniziare a lavorare in pochi minuti senza complicate configurazioni e vuoi conoscere meglio le sue capacità di computer vision, puoi dare un'occhiata al notebookUltralytics che mostra attività come il rilevamento di oggetti e la didascalia di immagini utilizzando Gemini 2.5 Pro. Vediamo nel dettaglio cosa ti aspetta nel notebook.

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

Rilevamento di oggetti con Google Gemini 2.5

Uno degli esempi principali del quaderno è il rilevamento degli oggetti con Gemini 2.5 Pro. In questo esempio, fornisci al modello un'immagine e una semplice richiesta di rilevamento di oggetti. 

Il modello elabora l'immagine e restituisce una serie di coordinate ed etichette per ogni oggetto trovato; queste coordinate sono fornite in forma normalizzata. Le funzioni del pacchettoUltralytics Python vengono poi utilizzate per convertire questi valori normalizzati in modo che corrispondano alle dimensioni reali dell'immagine e per disegnare dei riquadri di delimitazione chiari intorno a ogni oggetto, come mostrato di seguito.

‍

Migliorare la precisione dell'OCR con i modelli di Google Gemini

Un'attività di computer vision che utilizza la capacità di Gemini 2.5 Pro di leggere il testo nelle immagini è l'OCR. Nel blocco note, puoi fornire al modello un'immagine contenente del testo e una richiesta per estrarre il testo. Il modello elabora l'immagine e restituisce sia il testo rilevato che le coordinate in cui si trova il testo, come mostrato di seguito.

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)

‍

Le funzioni del pacchetto Ultralytics Python vengono poi utilizzate per convertire queste coordinate normalizzate nelle dimensioni reali dell'immagine e per disegnare dei riquadri di delimitazione intorno alle regioni di testo. Questo output annotato rende chiaro dove si trova il testo, il che è utile per digitalizzare i documenti, automatizzare l'inserimento dei dati e migliorare l'accessibilità.

‍

Applicazioni reali di Google Gemini 2.5

Ora che abbiamo visto come Google Gemini 2.5 Pro può essere utilizzato per varie attività di computer vision, esploriamo alcune applicazioni reali in cui queste funzionalità possono essere utilizzate.

La capacità di Gemini 2.5 Pro di rilevare gli oggetti, ad esempio, può aiutare a etichettare e organizzare automaticamente grandi serie di immagini, rendendo molto più veloci attività come la creazione di set di dati o la gestione dei contenuti. Può essere utilizzato anche per analizzare le immagini in settori come la vendita al dettaglio e l'agricoltura, ad esempio per individuare i prodotti sugli scaffali o per identificare i segni di stress delle colture nelle foto delle aziende agricole.

‍

Nel frattempo, la funzione di didascalia delle immagini del modello può aiutare gli utenti ipovedenti a capire cosa c'è in un'immagine. Ad esempio, se hai una foto di una strada trafficata, il modello potrebbe produrre una didascalia che descrive la scena in dettaglio, citando i tipi di veicoli, l'attività dei pedoni e persino l'ora del giorno in base agli indizi di illuminazione. 

Inoltre, la funzionalità OCR di Gemini 2.5 può essere utilizzata in diverse applicazioni. Ad esempio, puoi digitalizzare documenti stampati scansionando pagine o ricevute. Questa funzionalità è ideale per automatizzare le attività di inserimento dati, elaborare moduli o leggere il testo di biglietti da visita e insegne. 

Nel complesso, Google Gemini 2.5 Pro apre le porte a un'ampia gamma di applicazioni pratiche di intelligenza artificiale.

Punti di forza

Oltre alla generazione e all'analisi del testo, Google Gemini 2.5 Pro può essere utilizzato per attività di computer vision come il rilevamento di oggetti, la didascalia di immagini e l'OCR. Grazie all'enorme finestra di contesto e alle capacità di ragionamento migliorate, produce risultati dettagliati e consapevoli del contesto che funzionano bene in scenari reali. 

Con la continua evoluzione dei modelli di IA, strumenti come Gemini 2.5 Pro rendono più facile la risoluzione di problemi complessi in tutti i settori. È probabile che vedremo un'adozione ancora più ampia dell'IA, dato che sempre più organizzazioni cercano soluzioni flessibili e multimodali in grado di gestire un'ampia gamma di compiti, dalla comprensione visiva all'elaborazione del linguaggio.

Entra a far parte della nostra comunità e scopri i progetti di IA all'avanguardia sul nostro repository GitHub. Scopri le applicazioni dell'IA di visione in agricoltura e il ruolo dell'IA nella produzione nelle nostre pagine dedicate alle soluzioni. Esplora i nostri piani di licenza e crea soluzioni di visione artificiale oggi stesso!