Prova Google Gemini 2.5 per attività di visione artificiale

I progressi nell’AI procedono rapidamente e quasi ogni giorno vengono annunciate nuove innovazioni. Una di queste è Gemini 2.5, un modello multimodale di Google DeepMind presentato il 26 marzo 2025. Mentre i tradizionali modelli linguistici di grandi dimensioni (LLM) possono apprendere da enormi quantità di dati per generare testi simili a quelli umani, Gemini 2.5 va oltre.

È progettato come un «modello capace di ragionare», in grado di elaborare immagini, audio e video. Ha capacità di ragionamento e programmazione potenziate. È interessante notare che offre buone prestazioni anche nelle attività di visione artificiale, in cui le macchine interpretano e analizzano dati visivi, ad esempio per il rilevamento degli oggetti, la generazione di didascalie per immagini e il riconoscimento ottico dei caratteri (OCR).

Fig. 1. Esempio di utilizzo di Gemini 2.5 per comprendere il contenuto di un’immagine.

In questo articolo esamineremo uno dei notebook di Ultralytics, che ti permetterà di provare direttamente le capacità di Gemini 2.5 nell’ambito della visione artificiale. Approfondiremo inoltre le principali funzionalità di Gemini 2.5 e mostreremo come può essere utilizzato per sviluppare soluzioni di visione artificiale per applicazioni nel mondo reale.

Panoramica di Gemini 2.5: caratteristiche e funzionalità#

La prima versione della serie di modelli Gemini 2.5 è stata una versione sperimentale di Gemini 2.5 Pro. È progettata per affrontare problemi complessi, ragionando sulle risposte prima di fornirle. Utilizza metodi come l’apprendimento per rinforzo (in cui il modello apprende dal feedback) e il prompting a catena di pensiero (un approccio passo dopo passo alla risoluzione dei problemi).

Una delle sue caratteristiche principali è l’ampia finestra di contesto, che può contenere 1 milione di token (circa un milione di parole o frammenti di parole) e dovrebbe arrivare a 2 milioni. Ciò significa che il modello può acquisire molte informazioni in una volta sola, ottenendo risultati più dettagliati e accurati.

Oltre a elaborare il linguaggio, Gemini 2.5 può essere utilizzato per le seguenti attività di computer vision:

• Rilevamento degli oggetti: consiste nell’identificare e localizzare gli oggetti all’interno di un’immagine. Può essere utilizzato in applicazioni come la videosorveglianza o le auto a guida autonoma.
• Generazione di didascalie per immagini: questa attività consiste nel generare un testo descrittivo per un’immagine. Rende i contenuti visivi più accessibili e facili da comprendere.
• Riconoscimento ottico dei caratteri: questa tecnologia converte il testo presente nelle immagini in testo modificabile e leggibile dalle macchine. È utile per digitalizzare documenti e automatizzare l’inserimento dei dati.

Benchmark e confronto tra Google Gemini 2.5 e altri modelli#

Oggi nel campo dell’AI sono disponibili diversi modelli multimodali, perciò è importante capire come si confronta Gemini 2.5 Pro. In base ai risultati dei benchmark condivisi da DeepMind di Google, Gemini 2.5 Pro offre prestazioni impressionanti in una vasta gamma di attività.

Per esempio, nel test Humanity’s Last Exam, che simula un esame impegnativo su molte materie e valuta il ragionamento avanzato e le conoscenze generali, Gemini 2.5 Pro ottiene circa il 18,8%, superando modelli come o3-mini di OpenAI, che raggiunge circa il 14%.

Fig. 2. Panoramica delle prestazioni di Gemini 2.5 Pro nei benchmark.

Ottiene risultati molto buoni anche nelle sfide di matematica e programmazione, spesso eguagliando o superando le prestazioni di modelli come GPT-4.5 di OpenAI, Claude 3.7 Sonnet, Grok 3 Beta e DeepSeek R1, a dimostrazione della sua capacità di gestire attività complesse ed elaborare grandi quantità di dati. Per il rilevamento degli oggetti, i modelli Gemini più recenti, come Gemini 4 Argon e Gemini 3.8 Flash, sono confrontati con altri modelli multimodali nella VLM Leaderboard.

Mettere le mani su Gemini 2.5: come usare la Google Gemini API#

Gemini 2.5 Pro è disponibile su diverse piattaforme. Puoi provarlo in Google AI Studio e accedervi dall’app Gemini se sei un utente Gemini Advanced. Nell’annuncio di lancio, Google DeepMind ha anche affermato che il modello sarebbe stato supportato su Vertex AI. Queste modalità di accesso consentono agli sviluppatori di usare facilmente Gemini 2.5 Pro per applicazioni AI nel mondo reale.

Tuttavia, se vuoi usare la Google Gemini API e iniziare in pochi minuti senza una configurazione complicata, e vuoi approfondire le sue capacità di computer vision, puoi consultare il notebook di Ultralytics, che mostra attività come il rilevamento degli oggetti e la generazione di didascalie per immagini con Gemini 2.5 Pro. Vediamo nel dettaglio cosa puoi aspettarti dal notebook.

Configurare l'inferenza con il notebook Google Gemini 2.5#

Per iniziare a usare il notebook Ultralytics e Google Gemini 2.5, dovrai prima generare una chiave API tramite Google AI Studio. Questa chiave ti consente di accedere alla Gemini API e usare il modello.

Una volta ottenuta la chiave API, assicurati che nell'ambiente siano installate le librerie necessarie: tra queste ci sono i pacchetti di Ultralytics e il toolkit AI di Google. Il notebook illustra chiaramente questo passaggio, così puoi seguire facilmente le istruzioni per configurare il tuo spazio di lavoro.

Dopo aver configurato tutto, puoi collegarti alla Gemini API inserendo la chiave API (come mostrato qui sotto), creando così un collegamento tra il tuo spazio di lavoro e il modello. A quel punto, potrai inviare immagini e prompt testuali a Gemini 2.5.

In pratica, puoi fornire al modello un'immagine e una semplice istruzione (come «rileva gli oggetti in questa immagine» o «descrivi quello che vedi») e ottenere i risultati che ti servono. Questo processo semplice rende facile iniziare a esplorare le capacità di computer vision di Gemini 2.5.

Rilevamento degli oggetti con Google Gemini 2.5#

Uno degli esempi principali del notebook è il rilevamento degli oggetti con Gemini 2.5 Pro. In questo esempio, fornisci al modello un'immagine e un semplice prompt per rilevare gli oggetti.

Il modello elabora l'immagine e restituisce un insieme di coordinate ed etichette per ogni oggetto rilevato; le coordinate sono in forma normalizzata. Si usano poi funzioni del pacchetto Python di Ultralytics per convertire questi valori normalizzati in modo che corrispondano alle dimensioni effettive dell'immagine e disegnare riquadri di delimitazione ben visibili attorno a ogni oggetto, come mostrato qui sotto.

Fig. 3. Uso di Google Gemini 2.5 per il rilevamento degli oggetti.

Generazione di didascalie per immagini con Gemini 2.5#

Un altro esempio interessante nel notebook è la generazione di didascalie per immagini con Gemini 2.5 Pro. In questo esempio, fornisci al modello un’immagine e un prompt che gli chiede di generare una didascalia dettagliata che descriva ciò che appare nell’immagine.

Il modello analizza quindi il contenuto visivo e restituisce una descrizione, spesso composta da più frasi, che coglie sia il contenuto sia il contesto dell'immagine. Questa funzionalità è utile per migliorare l'accessibilità, riassumere informazioni visive e persino arricchire la narrazione creativa.

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

L'OCR è un'attività di computer vision che sfrutta la capacità di Gemini 2.5 Pro di leggere il testo nelle immagini. Nel notebook, puoi fornire al modello un'immagine contenente del testo insieme a un prompt che ne richieda l'estrazione. Il modello elabora l'immagine e restituisce sia il testo rilevato sia le coordinate della sua posizione, come mostrato qui sotto.

Si usano poi funzioni del pacchetto Python di Ultralytics per convertire queste coordinate normalizzate nelle dimensioni effettive dell'immagine e disegnare riquadri di delimitazione attorno alle aree di testo. Questo risultato annotato mostra chiaramente dove si trova il testo ed è utile per digitalizzare documenti, automatizzare l'inserimento di dati e migliorare l'accessibilità.

Fig. 4. Estrazione di dati testuali da un'immagine con Google Gemini 2.5.

Applicazioni di Google Gemini 2.5 nel mondo reale#

Ora che abbiamo visto come si può usare Google Gemini 2.5 Pro per diverse attività di computer vision, esploriamo alcune applicazioni concrete di queste capacità.

La capacità di Gemini 2.5 Pro di rilevare oggetti, ad esempio, può aiutare a etichettare automaticamente e organizzare grandi raccolte di immagini, velocizzando notevolmente attività come la creazione di dataset o la gestione dei contenuti. Può anche essere usato per analizzare immagini in settori come il commercio al dettaglio e l’agricoltura, ad esempio per rilevare prodotti sugli scaffali o individuare segni di stress delle colture nelle foto dei campi.

Fig. 5. Gemini 2.5 Pro analizza lo stato di salute di una pianta.

La funzionalità di Gemini 2.5 per generare didascalie delle immagini può aiutare le persone con disabilità visive a capire cosa mostra un'immagine. Per esempio, se hai una foto di una strada trafficata, il modello potrebbe generare una didascalia che descrive la scena nei dettagli, indicando i tipi di veicoli, l'attività dei pedoni e persino l'ora del giorno in base alle condizioni di illuminazione.

Inoltre, la funzionalità OCR di Gemini 2.5 può essere usata in diverse applicazioni. Per esempio, puoi digitalizzare documenti stampati acquisendo pagine o ricevute. Questa capacità è ideale per automatizzare l'inserimento di dati, elaborare moduli o persino leggere il testo su biglietti da visita e cartelli.

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

Punti chiave#

Oltre a generare e analizzare testo, Google Gemini 2.5 Pro può essere usato per attività di computer vision come il rilevamento degli oggetti, la generazione di didascalie per immagini e l'OCR. Grazie alla sua enorme finestra di contesto e alle capacità di ragionamento migliorate, produce risultati dettagliati e consapevoli del contesto, adatti a scenari reali.

Con la continua evoluzione dei modelli di AI, strumenti come Gemini 2.5 Pro semplificano la risoluzione di problemi complessi in diversi settori. È probabile che l'AI venga adottata sempre più ampiamente man mano che un numero crescente di organizzazioni cercherà soluzioni flessibili e multimodali, capaci di gestire un'ampia gamma di attività, dalla comprensione visiva all'elaborazione del linguaggio.

Entra a far parte della nostra community e scopri i progetti AI nel nostro repository GitHub. Scopri le applicazioni dell’AI visiva in agricoltura e il ruolo dell’AI nel settore manifatturiero nelle nostre pagine dedicate alle soluzioni. Esplora i nostri piani di licenza e crea oggi stesso soluzioni di visione artificiale!