Google Gemini 2.5でコンピュータービジョンタスクを実践

AIの進歩は急速に進んでおり、新たなイノベーションがほぼ毎日のように話題になっています。その画期的な成果の1つが、Google DeepMindが開発し、2025年3月26日に発表したマルチモーダルモデルのGemini 2.5です。従来の大規模言語モデル（LLM）は、大量のデータから学習して人間らしいテキストを生成できますが、Gemini 2.5はそれにとどまりません。

Gemini 2.5は、画像、音声、動画を処理できる「思考モデル」として設計されています。推論能力とコーディング能力が強化されています。また、物体検出、画像キャプション生成、光学式文字認識（OCR）など、機械が視覚データを解釈・分析するコンピュータービジョンタスクでも優れた性能を発揮します。

図1. Gemini 2.5を使って画像の内容を理解する例。

この記事では、Gemini 2.5のコンピュータービジョン機能を実際に試すのに役立つ、Ultralyticsのノートブックの1つを紹介します。また、Gemini 2.5の主な機能を詳しく解説し、実世界のアプリケーション向けにコンピュータービジョンソリューションを構築する方法も紹介します。

Gemini 2.5の概要：機能と性能#

Gemini 2.5モデルシリーズの最初のバージョンは、Gemini 2.5 Proの実験的なリリースでした。回答を提示する前に応答をじっくり検討することで、複雑な問題に対応できるよう設計されています。強化学習（モデルがフィードバックから学習する手法）や、思考の連鎖を用いたプロンプト（問題を段階的に解決するアプローチ）などの手法を採用しています。

主な機能の1つは、大規模なコンテキストウィンドウです。100万トークン（約100万語または語の一部）を保持でき、今後200万トークンまで拡大する見込みです。これにより、モデルは一度に多くの情報を取り込み、より詳細で正確な結果を出せます。

Gemini 2.5は言語処理に加えて、次のようなコンピュータービジョンタスクにも活用できます。

• 物体検出: 画像内の物体を特定して位置を特定する処理です。監視や自動運転車などの用途に活用できます。
• 画像キャプション生成：画像の内容を説明するテキストを生成するタスクです。視覚コンテンツをより利用しやすく、理解しやすくします。
• 光学式文字認識: 画像内のテキストを編集可能な機械可読テキストに変換する技術です。文書のデジタル化やデータ入力の自動化に役立ちます。

Google Gemini 2.5のベンチマークと他モデルとの比較#

現在のAI分野には複数のマルチモーダルモデルがあるため、Gemini 2.5 Proがほかのモデルと比べてどうなのかを理解することが重要です。Google DeepMindが公開したベンチマーク結果によると、Gemini 2.5 Proはさまざまなタスクで優れた性能を示しています。

たとえば、幅広い分野を網羅し、高度な推論力と一般知識を測る難関試験を模したHumanity’s Last Examでは、Gemini 2.5 Proのスコアは約18.8%で、約14%のOpenAI o3-miniなどを上回っています。

図2. Gemini 2.5 Proのベンチマーク性能の概要。

数学やコーディングの課題でも非常に優れた性能を発揮し、OpenAI GPT-4.5、Claude 3.7 Sonnet、Grok 3 Beta、DeepSeek R1などのモデルと同等以上の性能を示すことがよくあります。これは、複雑なタスクに対応し、大量のデータを処理する能力を示しています。物体検出では、Gemini 4 ArgonやGemini 3.8 Flashなどの新しいGeminiモデルを、VLM Leaderboardで他のマルチモーダルモデルと比較しています。

Gemini 2.5を実際に使ってみる: Google Gemini APIの使い方#

Gemini 2.5 Proは複数のプラットフォームで利用できます。Google AI Studioで試すことができ、Gemini AdvancedユーザーはGeminiアプリからアクセスできます。Google DeepMindは発表時に、このモデルがVertex AIでもサポートされると述べました。これらのアクセスポイントにより、開発者はGemini 2.5 Proを実世界のAIアプリケーションに簡単に活用できます。

ただし、複雑なセットアップをせずに数分でGoogle Gemini APIを使い始めたい場合や、そのコンピュータービジョン機能について理解を深めたい場合は、Gemini 2.5 Proを使った物体検出や画像キャプション生成などのタスクを紹介するUltralyticsノートブックをご覧ください。ノートブックでできることを詳しく見ていきましょう。

Google Gemini 2.5ノートブックで推論をセットアップする#

Ultralyticsノートブックを使ってGoogle Gemini 2.5を利用するには、まずGoogle AI StudioでAPIキーを生成する必要があります。このキーを使うとGemini APIにアクセスでき、モデルを利用できます。

APIキーを取得したら、環境に必要なライブラリがインストールされていることを確認してください。これにはUltralyticsのパッケージとGoogleのAIツールキットが含まれます。この手順はノートブックに明確に記載されているため、説明に沿って簡単に作業環境をセットアップできます。

すべての設定が完了したら、以下に示すようにAPIキーを入力してGemini APIに接続できます。これにより、作業環境とモデルが連携します。その後、Gemini 2.5に画像やテキストプロンプトを送信できるようになります。

基本的には、画像と「この画像内の物体を検出して」や「見えているものを説明して」といった簡単な指示をモデルに渡すと、必要な結果が返されます。このシンプルな手順で、Gemini 2.5のコンピュータービジョン機能を簡単に試せます。

Google Gemini 2.5による物体検出#

ノートブックの主な例の1つは、Gemini 2.5 Proを使った物体検出です。この例では、画像と物体検出を指示する簡単なプロンプトをモデルに渡します。

モデルは画像を処理し、検出した各物体の座標とラベルを返します。座標は正規化された形式で出力されます。次に、Ultralytics Pythonパッケージの関数を使って、これらの正規化された値を画像の実際の寸法に合わせて変換し、以下に示すように各物体の周囲に明瞭なバウンディングボックスを描画します。

図3. Google Gemini 2.5を使った物体検出。

Gemini 2.5を使った画像キャプション生成#

このノートブックのもう1つの興味深い例は、Gemini 2.5 Proを使った画像キャプション生成です。この例では、モデルに画像を入力し、画像の内容を詳しく説明するキャプションを生成するようプロンプトで指示します。

モデルは視覚的な内容を分析し、画像の内容と文脈の両方を捉えた文章を返します。多くの場合、複数の文で構成されます。この機能は、アクセシビリティの向上、視覚情報の要約、さらには創造的なストーリーテリングの強化に役立ちます。

Google GeminiモデルでOCRの精度を高める#

Gemini 2.5 Proの画像内テキストを読み取る機能を活用するコンピュータービジョンタスクがOCRです。ノートブックでは、テキストを含む画像と、そのテキストを抽出するよう指示するプロンプトをモデルに渡せます。モデルは画像を処理し、以下に示すように、検出したテキストとその位置の座標の両方を返します。

次に、Ultralytics Pythonパッケージの関数を使って、これらの正規化された座標を画像の実際の寸法に変換し、テキスト領域の周囲にバウンディングボックスを描画します。この注釈付き出力によりテキストの位置が明確になるため、文書のデジタル化、データ入力の自動化、アクセシビリティの向上に役立ちます。

図4. Google Gemini 2.5を使った画像内のテキストデータ抽出。

Google Gemini 2.5の実用例#

Google Gemini 2.5 Proをさまざまなコンピュータービジョンタスクに活用する方法を見てきたところで、こうした機能を活用できる実際の用途をいくつか見ていきましょう。

たとえば、Gemini 2.5 Proの物体検出機能を使うと、大量の画像を自動でラベル付けして整理できるため、データセットの作成やコンテンツ管理などの作業を大幅に効率化できます。また、小売業や農業などの分野で画像を分析し、棚の商品を検出したり、農地の写真から作物のストレスの兆候を特定したりする用途にも活用できます。

図5. 植物の健康状態を分析するGemini 2.5 Pro。

一方、モデルの画像キャプション生成機能は、視覚障害のあるユーザーが画像の内容を理解するのに役立ちます。たとえば、混雑した通りの写真を渡すと、車両の種類や歩行者の様子、さらには光の手がかりから推測される時間帯まで、シーンを詳しく説明するキャプションを生成できます。

さらに、Gemini 2.5のOCR機能はさまざまな用途に活用できます。たとえば、ページやレシートをスキャンして印刷物をデジタル化できます。この機能は、データ入力の自動化、フォームの処理、名刺や標識のテキスト読み取りにも適しています。

Google Gemini 2.5 Proは、幅広い実用的なAIアプリケーションへの道を開きます。

重要なポイント#

Google Gemini 2.5 Proは、テキストの生成や分析にとどまらず、物体検出、画像キャプション生成、OCRなどのコンピュータービジョンタスクにも活用できます。大規模なコンテキストウィンドウと強化された推論機能により、実際のシナリオで有効な、詳細で文脈を踏まえた結果を生成します。

AIモデルが進化し続ける中、Gemini 2.5 Proのようなツールにより、さまざまな業界の複雑な課題を解決しやすくなっています。視覚理解から言語処理まで幅広いタスクに対応できる柔軟なマルチモーダルソリューションを求める組織が増えるにつれて、AIの導入はさらに広がると考えられます。

コミュニティに参加して、AIプロジェクトについてGitHubリポジトリで学びましょう。ソリューションページで、農業におけるビジョンAIの活用例や製造業におけるAIの役割をご覧ください。ライセンスプランを確認して、今すぐコンピュータービジョンソリューションを構築しましょう。