Prueba Google Gemini 2.5 con tareas de visión artificial

Los avances en AI se suceden rápidamente y casi todos los días aparecen nuevas innovaciones. Una de ellas es Gemini 2.5, un modelo multimodal de Google DeepMind presentado el 26 de marzo de 2025. Mientras que los tradicionales modelos de lenguaje grandes (LLM) pueden aprender de enormes cantidades de datos para generar texto similar al humano, Gemini 2.5 va más allá.

Está diseñado como un «modelo de razonamiento» que puede procesar imágenes, audio y vídeo. Ha mejorado sus capacidades de razonamiento y programación. También destaca en las tareas de visión artificial, en las que las máquinas interpretan y analizan datos visuales, por ejemplo, mediante la detección de objetos, la generación de descripciones de imágenes y el reconocimiento óptico de caracteres (OCR).

Fig. 1. Ejemplo del uso de Gemini 2.5 para comprender el contenido de una imagen.

En este artículo, te guiaremos por uno de los cuadernos de Ultralytics que te permitirá poner en práctica las capacidades de visión artificial de Gemini 2.5. También analizaremos más de cerca sus características principales y mostraremos cómo utilizarlo para crear soluciones de visión artificial destinadas a aplicaciones del mundo real.

Descripción general de Gemini 2.5: características y capacidades#

La primera versión de la serie de modelos Gemini 2.5 fue una versión experimental de Gemini 2.5 Pro. Está diseñada para abordar problemas complejos razonando sobre sus respuestas antes de proporcionarlas. Utiliza métodos como el aprendizaje por refuerzo (en el que el modelo aprende a partir de comentarios) y la generación de cadenas de pensamiento (un método paso a paso para resolver problemas).

Una de sus características principales es su enorme ventana de contexto, que puede albergar un millón de tokens (aproximadamente un millón de palabras o fragmentos de palabras) y se espera que llegue a los dos millones. Esto significa que el modelo puede procesar mucha información a la vez y ofrecer resultados más detallados y precisos.

Además de procesar lenguaje, Gemini 2.5 puede utilizarse para las siguientes tareas de visión artificial:

• Detección de objetos: Es el proceso de identificar y localizar objetos dentro de una imagen. Puede utilizarse en aplicaciones como la vigilancia o los coches autónomos.
• Generación de descripciones de imágenes: esta tarea consiste en generar un texto descriptivo para una imagen. Hace que el contenido visual sea más accesible y fácil de entender.
• Reconocimiento óptico de caracteres: Esta tecnología convierte el texto de las imágenes en texto editable y legible por máquina. Es útil para digitalizar documentos y automatizar la introducción de datos.

Evaluación comparativa y comparación de Google Gemini 2.5 con otros modelos#

Actualmente hay varios modelos multimodales disponibles en el campo de la IA, por lo que es importante entender cómo se compara Gemini 2.5 Pro con ellos. Según los resultados de las pruebas de referencia publicados por DeepMind, de Google, Gemini 2.5 Pro ofrece un rendimiento impresionante en distintas tareas.

Por ejemplo, en una prueba llamada Humanity’s Last Exam, que simula un examen difícil sobre muchas materias y evalúa el razonamiento avanzado y los conocimientos generales, Gemini 2.5 Pro obtiene alrededor de un 18,8 %, por delante de modelos como o3-mini de OpenAI, que ronda el 14 %.

Fig. 2. Descripción general del rendimiento de Gemini 2.5 Pro en las pruebas de referencia.

También ofrece muy buenos resultados en retos de matemáticas y programación, y a menudo iguala o supera el rendimiento de modelos como GPT-4.5 de OpenAI, Claude 3.7 Sonnet, Grok 3 Beta y DeepSeek R1, lo que demuestra su capacidad para abordar tareas complejas y procesar grandes cantidades de datos. En detección de objetos, los modelos Gemini más recientes, como Gemini 4 Argon y Gemini 3.8 Flash, se comparan con otros modelos multimodales en la clasificación de modelos VLM.

Primeros pasos prácticos con Gemini 2.5: cómo usar la API de Google Gemini#

Gemini 2.5 Pro está disponible en varias plataformas. Puedes probarlo en Google AI Studio y acceder a él mediante la aplicación Gemini si tienes Gemini Advanced. En el anuncio de presentación, Google DeepMind también mencionó que el modelo sería compatible con Vertex AI. Estos puntos de acceso facilitan que los desarrolladores utilicen Gemini 2.5 Pro en aplicaciones de AI del mundo real.

Sin embargo, si quieres usar la API de Google Gemini y empezar en solo unos minutos, sin una configuración complicada, y comprender mejor sus capacidades de visión artificial, puedes consultar el cuaderno de Ultralytics, que muestra tareas como la detección de objetos y la generación de descripciones de imágenes con Gemini 2.5 Pro. Veamos en detalle qué puedes encontrar en el cuaderno.

Configuración de la inferencia con el cuaderno de Google Gemini 2.5#

Para empezar a utilizar el cuaderno de Ultralytics y Google Gemini 2.5, primero tendrás que generar una clave de API a través de Google AI Studio. Esta clave te da acceso a la API de Gemini para que puedas utilizar el modelo.

Cuando tengas la clave de API, asegúrate de que tu entorno tenga instaladas las bibliotecas necesarias, incluidos los paquetes de Ultralytics y el kit de herramientas de IA de Google. El cuaderno explica claramente este paso, así que podrás seguir fácilmente las instrucciones para configurar tu espacio de trabajo.

Una vez configurado todo, puedes conectarte a la API de Gemini introduciendo tu clave de API (como se muestra a continuación), lo que crea un vínculo entre tu espacio de trabajo y el modelo. Después, estarás listo para enviar imágenes e instrucciones de texto a Gemini 2.5.

En esencia, puedes proporcionar una imagen y una instrucción sencilla (como «detecta objetos en esta imagen» o «describe lo que ves») al modelo, que te devolverá los resultados que necesitas. Este proceso sencillo facilita empezar a explorar las capacidades de visión artificial de Gemini 2.5.

Detección de objetos con Google Gemini 2.5#

Uno de los ejemplos clave del cuaderno es la detección de objetos con Gemini 2.5 Pro. En este ejemplo, proporcionas al modelo una imagen y una instrucción sencilla para detectar objetos.

El modelo procesa la imagen y devuelve un conjunto de coordenadas y etiquetas para cada objeto que encuentra; las coordenadas se expresan en forma normalizada. A continuación, se utilizan funciones del paquete de Python de Ultralytics para convertir estos valores normalizados y adaptarlos a las dimensiones reales de la imagen, y dibujar cuadros delimitadores claros alrededor de cada objeto, como se muestra a continuación.

Fig. 3. Uso de Google Gemini 2.5 para la detección de objetos.

Generación de descripciones de imágenes con Gemini 2.5#

Otro ejemplo interesante del cuaderno es la generación de descripciones de imágenes con Gemini 2.5 Pro. En este ejemplo, se proporciona al modelo una imagen y una instrucción para que genere una descripción detallada de lo que aparece en ella.

A continuación, el modelo analiza el contenido visual y devuelve una narración, a menudo compuesta por varias frases, que recoge tanto el contenido como el contexto de la imagen. Esta función resulta útil para mejorar la accesibilidad, resumir información visual e incluso enriquecer la narración creativa.

Mejora de la precisión del OCR con los modelos Google Gemini#

Una tarea de visión artificial que aprovecha la capacidad de Gemini 2.5 Pro para leer texto en imágenes es el OCR. En el cuaderno, puedes proporcionar al modelo una imagen que contenga texto junto con una instrucción para extraerlo. El modelo procesa la imagen y devuelve tanto el texto detectado como las coordenadas de su ubicación, como se muestra a continuación.

A continuación, se utilizan funciones del paquete de Python de Ultralytics para convertir estas coordenadas normalizadas a las dimensiones reales de la imagen y dibujar cuadros delimitadores alrededor de las zonas de texto. Este resultado anotado muestra claramente dónde está el texto, lo que resulta útil para digitalizar documentos, automatizar la introducción de datos y mejorar la accesibilidad.

Fig. 4. Extracción de datos de texto de una imagen con Google Gemini 2.5.

Aplicaciones de Google Gemini 2.5 en el mundo real#

Ahora que hemos visto cómo se puede utilizar Google Gemini 2.5 Pro en distintas tareas de visión artificial, exploremos algunas aplicaciones reales en las que pueden aprovecharse estas capacidades.

La capacidad de Gemini 2.5 Pro para detectar objetos, por ejemplo, puede ayudar a etiquetar automáticamente y organizar grandes conjuntos de imágenes, lo que agiliza tareas como la creación de conjuntos de datos o la gestión de contenidos. También puede utilizarse para analizar imágenes en sectores como el comercio minorista y la agricultura; por ejemplo, para detectar productos en estanterías o identificar indicios de estrés en los cultivos en fotos de explotaciones agrícolas.

Fig. 5. Gemini 2.5 Pro analiza la salud de una planta.

Por su parte, la función de generación de descripciones de imágenes del modelo puede ayudar a las personas con discapacidad visual a comprender el contenido de una imagen. Por ejemplo, si tienes una foto de una calle concurrida, el modelo podría generar una descripción detallada de la escena que mencione los tipos de vehículos, la actividad de los peatones e incluso la hora del día según la iluminación.

Además, la funcionalidad de OCR de Gemini 2.5 se puede utilizar en diversas aplicaciones. Por ejemplo, puedes digitalizar documentos impresos escaneando páginas o recibos. Esta capacidad es ideal para automatizar tareas de introducción de datos, procesar formularios e incluso leer texto de tarjetas de visita y carteles.

En definitiva, Google Gemini 2.5 Pro abre las puertas a una amplia gama de aplicaciones prácticas de IA.

Conclusiones clave#

Más allá de generar y analizar texto, Google Gemini 2.5 Pro se puede utilizar en tareas de visión artificial como la detección de objetos, la generación de descripciones de imágenes y el OCR. Gracias a su amplia ventana de contexto y a sus capacidades de razonamiento mejoradas, genera resultados detallados y sensibles al contexto que funcionan bien en situaciones reales.

A medida que los modelos de IA siguen evolucionando, herramientas como Gemini 2.5 Pro facilitan la resolución de problemas complejos en distintos sectores. Es probable que la IA se adopte aún más ampliamente a medida que más organizaciones busquen soluciones multimodales flexibles capaces de abordar una gran variedad de tareas, desde la comprensión visual hasta el procesamiento del lenguaje.

Forma parte de nuestra comunidad y descubre proyectos de AI en nuestro repositorio de GitHub. Consulta las aplicaciones de la AI visual en la agricultura y el papel de la AI en la fabricación en nuestras páginas de soluciones. Explora nuestros planes de licencia y crea hoy mismo soluciones de visión artificial.