Gemini 4 Argon já está disponível para anotação automática na Ultralytics Platform

A rotulagem de dados ainda é a etapa mais demorada da maioria dos projetos de visão computacional. A anotação automática acelera esse processo ao permitir que um modelo gere uma versão preliminar das caixas delimitadoras, para que tua equipe revise e corrija em vez de desenhar cada objeto manualmente. Mas uma versão preliminar só é tão útil quanto o modelo que a gera.

Hoje, Gemini 4 Argon está disponível para anotação automática na Ultralytics Platform. Em nosso benchmark de todos os 26 modelos de anotação automática com prompts de classe na Ultralytics Platform, incluindo GPT-6.1 Sol, GPT-6 Astra, Claude Opus 5.5 e Claude Fable 5.1, Gemini 4 Argon foi de longe o mais preciso.

Novidade: Gemini 4 Argon para anotação automática#

Gemini 4 Argon passa a integrar os modelos de linguagem e visão com prompts de classe no editor de anotações da Ultralytics Platform. Em um conjunto de dados de detecção de objetos com 1–200 classes, ele analisa cada imagem e retorna caixas para as instâncias das classes do teu conjunto de dados que encontra. Depois, tu revisas e salvas os resultados como qualquer outra previsão.

Podes usá-lo de duas maneiras:

• Uma imagem por vez: no editor de anotações, muda para o modo Smart, seleciona gemini-4-argon em Google no seletor de modelos e clica em Predict (ou pressiona P).
• Um conjunto de dados inteiro: executa Batch Annotation em More actions > Batch Annotation na página do conjunto de dados para rotular todas as imagens ainda não rotuladas em uma única execução.

Gemini 4 Argon fica ao lado das outras opções de anotação automática na Ultralytics Platform, desde prompts de pontos do SAM 3.1 até os teus próprios modelos Ultralytics YOLO ajustados. Para ter uma visão geral, consulta como a Ultralytics Platform usa IA para automatizar a anotação.

Como avaliamos 26 modelos de anotação automática#

Um modelo que encontra quase todos os objetos em fotos do dia a dia ainda pode deixar passar a maioria deles em uma tomografia médica ou em uma placa de circuito. Por isso, em vez de usar apenas fotos do dia a dia, testamos no UL37, um conjunto de conjuntos de dados de benchmark do mundo real que a Ultralytics usa para avaliação, e selecionamos seus 36 conjuntos de dados de detecção. Eles abrangem imagens médicas, imagens aéreas e de satélite, inspeção de placas de circuito impresso (PCB), raios X de segurança, prateleiras de lojas, trânsito, esportes, cenas subaquáticas, imagens térmicas e muito mais.

Enviamos 108 imagens rotuladas (três por conjunto de dados) a cada modelo com prompts de classe na Ultralytics Platform, usando o mesmo código de detecção do editor de anotações e a lista completa de classes de cada conjunto de dados. Depois, avaliamos as caixas retornadas em relação à verdade fundamental com mAP50. Cada provedor executou o modelo no nível de esforço de raciocínio padrão, e as execuções repetidas alteraram as pontuações em apenas cerca de 0.005 mAP50.

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

Gemini 4 Argon alcançou 0.565 mAP50, bem à frente de GPT-6.1 Sol (0.491), Gemini 3.8 Flash (0.489), Claude Opus 5.5 (0.476) e GPT-6 Astra (0.470). Ele concluiu todas as solicitações, com uma mediana de cerca de cinco segundos por imagem.

A liderança não vem de pensar por mais tempo. No nível de raciocínio padrão, Gemini 4 Argon usou uma mediana de cerca de 150 tokens de saída por imagem, aproximadamente o mesmo que Claude Opus 5.5 e bem menos que GPT-6.1 Sol ou Gemini 3.8 Flash.

Precisão vs. custo: Gemini 4 Argon, Claude Haiku 5.5 e modelos premium#

Os modelos pagos usam a tua própria chave de API do provedor, que cobra diretamente por cada previsão. No preço de lançamento do Google, válido até 30 de novembro de 2026, Gemini 4 Argon custou cerca de US$ 7.60 por 1.000 imagens em nosso benchmark. Depois disso, o preço dobra para cerca de US$ 15 por 1.000 imagens, com o mesmo uso.

Os modelos premium custam mais sem obter pontuações mais altas. GPT-6 Astra e Claude Fable 5.1 custaram cerca de US$ 47 e US$ 37 por 1.000 imagens e obtiveram pontuações de 0.470 e 0.372. Se o custo importa mais do que a precisão máxima, Claude Haiku 5.5 (0.384 mAP50 por cerca de US$ 0.35 por 1.000 imagens) e Gemini 3.5 Flash-Lite (0.363 por cerca de US$ 1.36) foram os modelos de baixo custo mais precisos. E, se preferires não usar uma chave de provedor, Qwen3.8 27B foi o modelo hospedado na Ultralytics Platform com maior precisão.

Gemini 4 Argon em 12 domínios do mundo real#

Gemini 4 Argon superou a média dos 26 modelos em 11 dos 12 domínios e empatou em imagens subaquáticas. Seus maiores ganhos ocorreram em estradas e trânsito (0.59 vs. 0.17) e imagens aéreas (0.65 vs. 0.30), e ele dobrou a média em imagens médicas (0.57 vs. 0.28).

Imagens especializadas continuam sendo difíceis para todos os modelos. Imagens industriais de placas de circuito impresso e raios X de segurança ficaram abaixo de 0.2 mAP50 até mesmo para Gemini 4 Argon. Trata suas caixas como uma primeira versão para revisão com participação humana e verifica algumas previsões nas tuas próprias imagens antes de anotar um conjunto de dados inteiro.

Começa a usar Gemini 4 Argon na Ultralytics Platform#

1. Adiciona uma chave de API do Google em Settings > API Keys no espaço de trabalho que contém o teu conjunto de dados, ou pede ao proprietário do espaço de trabalho para adicionar uma (vê como).
2. Abre um conjunto de dados de detecção na Ultralytics Platform, muda o editor de anotações para o modo Smart e seleciona gemini-4-argon em Google.
3. Clica em Predict para rotular a imagem atual e, em seguida, revisa, ajusta e salva as caixas.
4. Quando os resultados estiverem corretos, executa Batch Annotation para rotular o restante do conjunto de dados.

Batch Annotation adiciona a taxa de processamento padrão da Ultralytics Platform de US$ 1.00 por 1.000 imagens, separada do valor cobrado pelo Google na tua chave de API. Cada execução salva primeiro uma versão do conjunto de dados, para que possas sempre reverter as alterações.

Depois de rotular o conjunto de dados, treina um modelo Ultralytics YOLO26 com ele no mesmo espaço de trabalho (consulta a documentação de treinamento). Comparando ferramentas de anotação? Lê nossos guias sobre as melhores plataformas de anotação de imagens e as ferramentas de rotulagem automática e aprendizado ativo. Em seguida, entra na Ultralytics Platform para testar Gemini 4 Argon com teus próprios dados.