Gemini 4 Argon est désormais disponible pour l'annotation automatique sur Ultralytics Platform

L'étiquetage des données reste l'étape la plus lente de la plupart des projets de vision par ordinateur. L'annotation automatique l'accélère en laissant un modèle proposer les boîtes englobantes, que ton équipe vérifie et corrige au lieu de dessiner chaque objet à la main. Mais une proposition n'est utile qu'à hauteur du modèle qui l'a produite.

Aujourd'hui, Gemini 4 Argon est disponible pour l'annotation automatique sur Ultralytics Platform. Dans notre benchmark des 26 modèles d'annotation automatique avec invite de classe disponibles sur Ultralytics Platform, dont GPT-6.1 Sol, GPT-6 Astra, Claude Opus 5.5 et Claude Fable 5.1, Gemini 4 Argon s'est montré de loin le plus précis.

Nouveauté : Gemini 4 Argon pour l'annotation automatique#

Gemini 4 Argon rejoint les modèles de vision-langage avec invite de classe dans l'éditeur d'annotation d'Ultralytics Platform. Sur un jeu de données de détection d'objets comportant de 1 à 200 classes, il examine chaque image et renvoie des boîtes pour les instances des classes de ton jeu de données qu'il détecte ; tu peux ensuite les vérifier et les enregistrer comme n'importe quelle autre prédiction.

Tu peux l'utiliser de deux façons :

• Une image à la fois : dans l'éditeur d'annotation, passe en mode Smart, sélectionne gemini-4-argon sous Google dans le sélecteur de modèle, puis clique sur Predict (ou appuie sur P).
• Un jeu de données entier : lance Batch Annotation depuis More actions > Batch Annotation sur la page du jeu de données pour étiqueter toutes les images non étiquetées en une seule opération.

Gemini 4 Argon vient compléter les autres options d'annotation automatique d'Ultralytics Platform, des invites par points de SAM 3.1 à tes propres modèles Ultralytics YOLO ajustés. Pour une vue d'ensemble, découvre comment Ultralytics Platform utilise l'IA pour automatiser l'annotation.

Comment nous avons évalué 26 modèles d'annotation automatique#

Un modèle capable de détecter presque tous les objets sur des photos du quotidien peut tout de même en manquer la plupart sur une image médicale ou une carte électronique. Au lieu de nous limiter aux photos du quotidien, nous avons donc testé UL37, un ensemble de jeux de données de référence réels utilisés par Ultralytics pour l'évaluation, et retenu ses 36 jeux de données de détection. Ceux-ci couvrent l'imagerie médicale, les images aériennes et satellitaires, l'inspection de circuits imprimés, les radiographies de sécurité, les rayons de magasins, la circulation, le sport, les scènes sous-marines, les images thermiques et bien plus encore.

Nous avons soumis 108 images étiquetées (trois par jeu de données) à chaque modèle avec invite de classe d'Ultralytics Platform, en utilisant le même code de détection que l'éditeur d'annotation et la liste complète des classes de chaque jeu de données, puis comparé les boîtes obtenues à la vérité terrain avec mAP50. Chaque fournisseur a utilisé son niveau d'effort de raisonnement par défaut, et les scores des exécutions répétées n'ont varié que d'environ 0.005 mAP50.

Gemini 4 Argon vs GPT-6.1 Sol, Claude Opus 5.5 et GPT-6 Astra#

Gemini 4 Argon a atteint 0.565 mAP50, loin devant GPT-6.1 Sol (0.491), Gemini 3.8 Flash (0.489), Claude Opus 5.5 (0.476) et GPT-6 Astra (0.470). Il a traité toutes les requêtes, en cinq secondes environ par image en médiane.

Son avance ne vient pas d'un raisonnement plus long. Avec son niveau de raisonnement par défaut, Gemini 4 Argon a utilisé une médiane d'environ 150 jetons de sortie par image, soit à peu près autant que Claude Opus 5.5 et bien moins que GPT-6.1 Sol ou Gemini 3.8 Flash.

Précision vs coût : Gemini 4 Argon, Claude Haiku 5.5 et les modèles premium#

Les modèles payants utilisent ta propre clé API fournisseur, qui facture directement chaque prédiction. Au tarif de lancement de Google, en vigueur jusqu'au 30 novembre 2026, Gemini 4 Argon a coûté environ 7,60 $ pour 1 000 images dans notre benchmark. Ensuite, son prix double pour atteindre environ 15 $ pour 1 000 images à utilisation égale.

Les modèles premium coûtent plus cher sans obtenir de meilleurs scores. GPT-6 Astra et Claude Fable 5.1 coûtent environ 47 $ et 37 $ pour 1 000 images, et ont obtenu des scores de 0.470 et 0.372. Si le coût compte davantage que la précision maximale, Claude Haiku 5.5 (0.384 mAP50 à environ 0,35 $ pour 1 000 images) et Gemini 3.5 Flash-Lite (0.363 à environ 1,36 $) étaient les modèles économiques les plus précis. Et si tu préfères ne pas utiliser de clé fournisseur, Qwen3.8 27B était le modèle hébergé sur Ultralytics Platform le plus précis.

Gemini 4 Argon dans 12 domaines réels#

Gemini 4 Argon a surpassé la moyenne des 26 modèles dans 11 domaines sur 12 et a fait jeu égal en imagerie sous-marine. Ses plus grands gains concernent les routes et la circulation (0.59 contre 0.17) et les images aériennes (0.65 contre 0.30) ; il a également doublé la moyenne en imagerie médicale (0.57 contre 0.28).

Les images spécialisées restent difficiles pour tous les modèles. Les images de circuits imprimés industriels et les radiographies de sécurité sont restées sous 0.2 mAP50, même avec Gemini 4 Argon. Considère ses boîtes comme une première ébauche à soumettre à une vérification avec intervention humaine, et vérifie quelques prédictions sur tes propres images avant d'annoter un jeu de données complet.

Premiers pas avec Gemini 4 Argon sur Ultralytics Platform#

1. Ajoute une clé API Google dans Settings > API Keys de l'espace de travail auquel appartient ton jeu de données, ou demande au propriétaire de l'espace de travail d'en ajouter une (voir comment).
2. Ouvre un jeu de données de détection dans Ultralytics Platform, passe l'éditeur d'annotation en mode Smart, puis sélectionne gemini-4-argon sous Google.
3. Clique sur Predict pour étiqueter l'image actuelle, puis vérifie, ajuste et enregistre les boîtes.
4. Quand les résultats te conviennent, lance Batch Annotation pour étiqueter le reste du jeu de données.

Batch Annotation ajoute les frais de traitement standard d'Ultralytics Platform, soit 1,00 $ pour 1 000 images, en plus des frais facturés par Google sur ta clé API. Chaque opération enregistre d'abord une version du jeu de données, ce qui te permet de revenir en arrière à tout moment.

Une fois ton jeu de données étiqueté, entraîne un modèle Ultralytics YOLO26 avec celui-ci dans le même espace de travail (consulte la documentation sur l'entraînement). Tu compares des outils d'annotation ? Consulte nos guides sur les meilleures plateformes d'annotation d'images et les outils d'étiquetage automatique et d'apprentissage actif. Puis connecte-toi à Ultralytics Platform pour essayer Gemini 4 Argon avec tes propres données.