Prends en main Gemini 2.5 de Google pour des tâches de vision par ordinateur

Les avancées en IA s’enchaînent rapidement et les nouvelles innovations font presque chaque jour la une. Gemini 2.5, un modèle multimodal de Google DeepMind lancé le 26 mars 2025, en est une illustration. Les grands modèles de langage (LLM) traditionnels peuvent apprendre à partir de vastes quantités de données pour générer du texte semblable à celui d’un humain, mais Gemini 2.5 va plus loin.

Il est conçu comme un « modèle de raisonnement » capable de traiter des images, de l’audio et de la vidéo. Ses capacités de raisonnement et de programmation ont été améliorées. Fait intéressant, il donne également de bons résultats pour les tâches de vision par ordinateur, où les machines interprètent et analysent des données visuelles, par exemple pour la détection d’objets, le sous-titrage d’images et la reconnaissance optique de caractères (OCR).

Fig. 1. Exemple d’utilisation de Gemini 2.5 pour comprendre le contenu d’une image.

Dans cet article, nous allons parcourir l’un des notebooks d’Ultralytics qui te permettra de mettre en pratique les capacités de Gemini 2.5 en vision par ordinateur. Nous examinerons également de plus près les principales fonctionnalités de Gemini 2.5 et montrerons comment l’utiliser pour créer des solutions de vision par ordinateur destinées à des applications concrètes.

Présentation de Gemini 2.5 : fonctionnalités et capacités#

La première version publiée dans la série Gemini 2.5 était une version expérimentale de Gemini 2.5 Pro. Elle est conçue pour résoudre des problèmes complexes en réfléchissant à ses réponses avant de les donner. Elle utilise des méthodes comme l’apprentissage par renforcement (où le modèle apprend à partir des commentaires reçus) et l’incitation par chaîne de raisonnement (une approche étape par étape de la résolution de problèmes).

L’une de ses principales caractéristiques est sa très grande fenêtre de contexte, qui peut contenir 1 million de jetons (environ un million de mots ou de fragments de mots) et devrait atteindre 2 millions. Le modèle peut ainsi traiter beaucoup d’informations à la fois, ce qui permet d’obtenir des résultats plus détaillés et plus précis.

En plus du traitement du langage, Gemini 2.5 peut être utilisé pour les tâches de vision par ordinateur suivantes :

• Détection d’objets : Il s’agit du processus qui consiste à identifier et à localiser des objets dans une image. Cette technique peut servir dans des applications comme la surveillance ou les voitures autonomes.
• Génération de légendes d’image : cette tâche consiste à générer un texte descriptif pour une image. Elle rend les contenus visuels plus accessibles et plus faciles à comprendre.
• Reconnaissance optique de caractères : Cette technologie convertit le texte présent dans les images en texte modifiable et lisible par une machine. Elle est utile pour numériser des documents et automatiser la saisie de données.

Évaluation comparative et comparaison de Google Gemini 2.5 avec d’autres modèles#

Plusieurs modèles multimodaux sont disponibles aujourd’hui dans le domaine de l’IA ; il est donc important de comprendre comment Gemini 2.5 Pro se compare à eux. D’après les résultats des évaluations comparatives communiqués par DeepMind, la performance de Gemini 2.5 Pro est impressionnante sur un large éventail de tâches.

Par exemple, lors d’un test appelé Humanity’s Last Exam, qui simule un examen difficile couvrant de nombreuses matières et évalue le raisonnement avancé et les connaissances générales, Gemini 2.5 Pro obtient environ 18,8 %, dépassant des modèles comme o3-mini d’OpenAI, qui obtient environ 14 %.

Fig. 2. Aperçu des performances de Gemini 2.5 Pro aux évaluations comparatives.

Il est aussi très performant pour les défis de mathématiques et de codage, égalant ou dépassant souvent des modèles comme GPT-4.5 d’OpenAI, Claude 3.7 Sonnet, Grok 3 Beta et DeepSeek R1. Cela démontre sa capacité à gérer des tâches complexes et à traiter de grandes quantités de données. Pour la détection d’objets, les modèles Gemini plus récents, comme Gemini 4 Argon et Gemini 3.8 Flash, sont comparés à d’autres modèles multimodaux dans le classement VLM.

Prise en main de Gemini 2.5 : utiliser l’API Google Gemini#

Gemini 2.5 Pro est disponible sur plusieurs plateformes. Tu peux l’essayer dans Google AI Studio et y accéder via l’application Gemini si tu utilises Gemini Advanced. Dans son annonce de lancement, Google DeepMind a également indiqué que le modèle serait pris en charge sur Vertex AI. Ces différents moyens d’accès permettent aux développeurs d’utiliser facilement Gemini 2.5 Pro dans des applications d’IA concrètes.

Cependant, si tu veux utiliser l’API Google Gemini et commencer en quelques minutes sans configuration complexe, tout en approfondissant les capacités de vision par ordinateur du modèle, consulte le notebook Ultralytics, qui présente des tâches comme la détection d’objets et le légendage d’images avec Gemini 2.5 Pro. Voyons en détail ce que tu trouveras dans ce notebook.

Configurer l’inférence avec le notebook Google Gemini 2.5#

Pour commencer avec le notebook Ultralytics et utiliser Google Gemini 2.5, tu dois d’abord générer une clé API dans Google AI Studio. Cette clé te donne accès à l’API Gemini pour utiliser le modèle.

Une fois ta clé API obtenue, vérifie que ton environnement dispose des bibliothèques nécessaires, notamment des paquets d’Ultralytics et de la boîte à outils d’IA de Google. Cette étape est clairement expliquée dans le notebook : tu peux donc suivre facilement les instructions pour configurer ton espace de travail.

Une fois tout configuré, tu peux te connecter à l’API Gemini en saisissant ta clé API (comme indiqué ci-dessous), ce qui établit une connexion entre ton espace de travail et le modèle. Tu pourras ensuite envoyer des images et des requêtes textuelles à Gemini 2.5.

Il te suffit de fournir une image et une instruction simple (comme « détecte les objets dans cette image » ou « décris ce que tu vois ») au modèle, qui te renvoie les résultats souhaités. Ce processus simple te permet d’explorer facilement les capacités de vision par ordinateur de Gemini 2.5.

Détection d’objets avec Google Gemini 2.5#

L’un des principaux exemples du notebook porte sur la détection d’objets avec Gemini 2.5 Pro. Dans cet exemple, tu fournis au modèle une image et une simple requête lui demandant de détecter les objets.

Le modèle traite l’image et renvoie un ensemble de coordonnées et d’étiquettes pour chaque objet détecté ; ces coordonnées sont normalisées. Des fonctions du package Python Ultralytics servent ensuite à convertir ces valeurs normalisées pour les faire correspondre aux dimensions réelles de l’image et à tracer des cadres de délimitation clairs autour de chaque objet, comme indiqué ci-dessous.

Fig. 3. Utiliser Google Gemini 2.5 pour la détection d’objets.

Légendage d’images avec Gemini 2.5#

Un autre exemple intéressant présenté dans le notebook est la génération de légendes d’image avec Gemini 2.5 Pro. Dans cet exemple, tu fournis une image au modèle et lui demandes, à l’aide d’une invite, de générer une légende détaillée qui décrit son contenu.

Le modèle analyse ensuite le contenu visuel et renvoie un texte descriptif, souvent composé de plusieurs phrases, qui restitue à la fois le contenu et le contexte de l’image. Cette fonctionnalité est utile pour améliorer l’accessibilité, résumer des informations visuelles et même enrichir la narration créative.

Améliorer la précision de l’OCR avec les modèles Google Gemini#

L’OCR est une tâche de vision par ordinateur qui exploite la capacité de Gemini 2.5 Pro à lire le texte présent dans les images. Dans le notebook, tu peux fournir au modèle une image contenant du texte, accompagnée d’une requête lui demandant de l’extraire. Le modèle traite l’image et renvoie à la fois le texte détecté et les coordonnées de son emplacement, comme indiqué ci-dessous.

Des fonctions du package Python Ultralytics servent ensuite à convertir ces coordonnées normalisées pour les faire correspondre aux dimensions réelles de l’image et à tracer des cadres de délimitation autour des zones de texte. Cette sortie annotée indique clairement où se trouve le texte, ce qui est utile pour numériser des documents, automatiser la saisie de données et améliorer l’accessibilité.

Fig. 4. Extraire des données textuelles d’une image avec Google Gemini 2.5.

Applications concrètes de Google Gemini 2.5#

Maintenant que nous avons vu comment utiliser Google Gemini 2.5 Pro pour différentes tâches de vision par ordinateur, explorons quelques applications concrètes de ces capacités.

Par exemple, la capacité de Gemini 2.5 Pro à détecter des objets peut aider à annoter automatiquement et à organiser de grandes collections d’images, accélérant ainsi considérablement des tâches comme la création de jeux de données ou la gestion de contenu. Le modèle peut également servir à analyser des images dans des domaines comme le commerce de détail et l’agriculture, par exemple pour détecter les produits en rayon ou repérer des signes de stress des cultures sur des photos de champs.

Fig. 5. Gemini 2.5 Pro analyse la santé d’une plante.

La fonctionnalité de légendage d’images du modèle peut aider les personnes malvoyantes à comprendre le contenu d’une image. Par exemple, si tu disposes d’une photo d’une rue animée, le modèle peut produire une légende qui décrit la scène en détail, en mentionnant les types de véhicules, l’activité des piétons et même l’heure de la journée, déduite de l’éclairage.

En outre, la fonctionnalité OCR de Gemini 2.5 peut être utilisée dans de nombreuses applications. Par exemple, tu peux numériser des documents imprimés en scannant des pages ou des reçus. Cette capacité est idéale pour automatiser la saisie de données, traiter des formulaires ou même lire le texte de cartes de visite et de panneaux.

Dans l’ensemble, Google Gemini 2.5 Pro ouvre la voie à un large éventail d’applications pratiques de l’IA.

Points clés à retenir#

Au-delà de la génération et de l’analyse de texte, Google Gemini 2.5 Pro peut être utilisé pour des tâches de vision par ordinateur comme la détection d’objets, le légendage d’images et l’OCR. Grâce à sa fenêtre de contexte étendue et à ses capacités de raisonnement améliorées, il produit des résultats détaillés et adaptés au contexte, qui fonctionnent bien dans des situations concrètes.

À mesure que les modèles d’IA évoluent, des outils comme Gemini 2.5 Pro facilitent la résolution de problèmes complexes dans différents secteurs. L’adoption de l’IA devrait continuer à s’élargir, à mesure que davantage d’organisations recherchent des solutions multimodales flexibles capables de gérer un large éventail de tâches, de la compréhension visuelle au traitement du langage.

Rejoins notre communauté et découvre des projets d’IA dans notre dépôt GitHub. Découvre les applications de l’IA visuelle dans l’agriculture et le rôle de l’IA dans l’industrie manufacturière sur nos pages de solutions. Consulte nos offres de licence et crée dès aujourd’hui des solutions de vision par ordinateur !