Experimente o Google Gemini 2.5 em tarefas de visão computacional

Os avanços da AI estão a acontecer rapidamente, com novas inovações a serem notícia quase todos os dias. Um desses avanços é o Gemini 2.5, um modelo multimodal da Google DeepMind lançado a 26 de março de 2025. Embora os modelos de linguagem de grande dimensão (LLMs) tradicionais possam aprender com enormes quantidades de dados para gerar texto semelhante ao produzido por pessoas, o Gemini 2.5 vai mais longe.

Foi concebido como um «modelo de raciocínio», capaz de processar imagens, áudio e vídeo. Tem capacidades de raciocínio e programação melhoradas. Curiosamente, também tem um bom desempenho em tarefas de visão computacional, nas quais as máquinas interpretam e analisam dados visuais, como a deteção de objetos, a legendagem de imagens e o reconhecimento ótico de caracteres (OCR).

Fig. 1. Exemplo do uso do Gemini 2.5 para compreender o conteúdo de uma imagem.

Neste artigo, vamos explorar um dos notebooks da Ultralytics, que te pode ajudar a experimentar na prática as capacidades de visão computacional do Gemini 2.5. Também vamos analisar mais de perto as principais funcionalidades do Gemini 2.5 e mostrar como pode ser utilizado para criar soluções de visão computacional para aplicações do mundo real.

Visão geral do Gemini 2.5: recursos e capacidades#

A primeira versão lançada na série de modelos Gemini 2.5 foi uma versão experimental do Gemini 2.5 Pro. Foi concebida para lidar com problemas complexos, ponderando as respostas antes de as dar. Utiliza métodos como a aprendizagem por reforço (em que o modelo aprende com base em feedback) e a geração de instruções em cadeia de pensamento (uma abordagem passo a passo para resolver problemas).

Um de seus principais recursos é a enorme janela de contexto, capaz de armazenar 1 milhão de tokens (aproximadamente um milhão de palavras ou fragmentos de palavras), com previsão de aumento para 2 milhões. Isso significa que o modelo pode processar muitas informações de uma só vez, gerando resultados mais detalhados e precisos.

Além de processar linguagem, o Gemini 2.5 pode ser usado para as seguintes tarefas de visão computacional:

• Detecção de objetos: É o processo de identificar e localizar objetos em uma imagem. Pode ser usada em aplicações como vigilância ou carros autônomos.
• Legendagem de imagens: Esta tarefa consiste em gerar um texto descritivo para uma imagem. Torna o conteúdo visual mais acessível e fácil de compreender.
• Reconhecimento óptico de caracteres: Essa tecnologia converte o texto encontrado em imagens em texto editável e legível por máquina. É útil para digitalizar documentos e automatizar a entrada de dados.

Avaliação comparativa e comparação do Google Gemini 2.5 com outros modelos#

Atualmente, há vários modelos multimodais disponíveis no campo da IA, por isso é importante entender como o Gemini 2.5 Pro se compara a eles. De acordo com os resultados de avaliações comparativas divulgados pelo DeepMind, do Google, o Gemini 2.5 Pro apresenta um desempenho impressionante em várias tarefas.

Por exemplo, no Humanity’s Last Exam, um teste que simula um exame desafiador sobre várias disciplinas e avalia o raciocínio avançado e os conhecimentos gerais, o Gemini 2.5 Pro alcança cerca de 18,8%, superando modelos como o o3-mini da OpenAI, que obtém cerca de 14%.

Fig. 2. Visão geral do desempenho do Gemini 2.5 Pro em avaliações comparativas.

Ele também tem um desempenho muito bom em desafios de matemática e programação, muitas vezes igualando ou superando o desempenho de modelos como OpenAI GPT-4.5, Claude 3.7 Sonnet, Grok 3 Beta e DeepSeek R1, demonstrando sua capacidade de lidar com tarefas complexas e processar grandes quantidades de dados. Na detecção de objetos, modelos Gemini mais recentes, como Gemini 4 Argon e Gemini 3.8 Flash, são comparados a outros modelos multimodais no VLM Leaderboard.

Colocando a mão na massa com o Gemini 2.5: como usar a API do Google Gemini#

O Gemini 2.5 Pro está disponível em várias plataformas. Podes experimentá-lo no Google AI Studio e aceder-lhe através da aplicação Gemini, se fores utilizador do Gemini Advanced. No anúncio de lançamento, a Google DeepMind também referiu que o modelo seria compatível com o Vertex AI. Estas opções de acesso facilitam a utilização do Gemini 2.5 Pro por parte dos programadores em aplicações de AI do mundo real.

No entanto, se você quiser usar a API do Google Gemini e começar em apenas alguns minutos, sem uma configuração complicada, além de entender melhor os recursos de visão computacional do modelo, confira o notebook da Ultralytics, que apresenta tarefas como detecção de objetos e geração de legendas para imagens usando o Gemini 2.5 Pro. Vamos ver em detalhes o que você pode esperar do notebook.

Configurando a inferência com o notebook do Google Gemini 2.5#

Para começar a usar o notebook da Ultralytics com o Google Gemini 2.5, primeiro você precisará gerar uma chave de API no Google AI Studio. Essa chave dá acesso à API Gemini para que você possa usar o modelo.

Depois de obter sua chave de API, verifique se o ambiente tem as bibliotecas necessárias instaladas — entre elas, pacotes da Ultralytics e o kit de ferramentas de IA do Google. Essa etapa está claramente explicada no notebook, para que você possa seguir as instruções e configurar seu espaço de trabalho com facilidade.

Com tudo configurado, você pode se conectar à API Gemini inserindo sua chave de API (como mostrado abaixo), o que cria uma conexão entre seu espaço de trabalho e o modelo. Depois disso, você estará pronto para enviar imagens e prompts de texto ao Gemini 2.5.

Basicamente, você pode fornecer uma imagem e uma instrução simples (como “detecte objetos nesta imagem” ou “descreva o que você vê”) ao modelo, que retorna os resultados necessários. Esse processo direto facilita começar a explorar os recursos de visão computacional do Gemini 2.5.

Detecção de objetos com o Google Gemini 2.5#

Um dos principais exemplos do notebook é a detecção de objetos com o Gemini 2.5 Pro. Nesse exemplo, você fornece ao modelo uma imagem e um prompt simples para detectar objetos.

O modelo processa a imagem e retorna um conjunto de coordenadas e rótulos para cada objeto encontrado; essas coordenadas são normalizadas. Em seguida, funções do pacote Python da Ultralytics são usadas para converter esses valores normalizados para corresponder às dimensões reais da imagem e desenhar caixas delimitadoras nítidas ao redor de cada objeto, como mostrado abaixo.

Fig. 3. Usando o Google Gemini 2.5 para detecção de objetos.

Geração de legendas para imagens com o Gemini 2.5#

Outro exemplo interessante do notebook é a legendagem de imagens com o Gemini 2.5 Pro. Neste exemplo, forneces uma imagem ao modelo e pedes-lhe, através de uma instrução, que gere uma legenda detalhada a descrever o que está na imagem.

Em seguida, o modelo analisa o conteúdo visual e retorna uma narrativa, geralmente composta por várias frases, que representa tanto o conteúdo quanto o contexto da imagem. Esse recurso é útil para melhorar a acessibilidade, resumir informações visuais e até enriquecer a narrativa criativa.

Melhorando a precisão do OCR com os modelos Google Gemini#

Uma tarefa de visão computacional que aproveita a capacidade do Gemini 2.5 Pro de ler texto em imagens é o OCR. No notebook, você pode fornecer ao modelo uma imagem que contenha texto, acompanhada de um prompt para extraí-lo. O modelo processa a imagem e retorna tanto o texto detectado quanto as coordenadas de sua localização, como mostrado abaixo.

Em seguida, funções do pacote Python da Ultralytics são usadas para converter essas coordenadas normalizadas para as dimensões reais da imagem e desenhar caixas delimitadoras ao redor das regiões de texto. Essa saída anotada deixa claro onde o texto está localizado, o que é útil para digitalizar documentos, automatizar a entrada de dados e melhorar a acessibilidade.

Fig. 4. Extraindo dados textuais de uma imagem com o Google Gemini 2.5.

Aplicações do Google Gemini 2.5 no mundo real#

Agora que vimos como o Google Gemini 2.5 Pro pode ser usado em várias tarefas de visão computacional, vamos explorar algumas aplicações práticas desses recursos.

A capacidade de deteção de objetos do Gemini 2.5 Pro, por exemplo, pode ajudar a etiquetar automaticamente e organizar grandes conjuntos de imagens, tornando tarefas como a criação de conjuntos de dados ou a gestão de conteúdos muito mais rápidas. Também pode ser utilizado para analisar imagens em áreas como o retalho e a agricultura — por exemplo, para detetar produtos nas prateleiras ou identificar sinais de stress nas culturas em fotografias de explorações agrícolas.

Fig. 5. Gemini 2.5 Pro analisando a saúde de uma planta.

Já o recurso de geração de legendas para imagens pode ajudar pessoas com deficiência visual a entender o conteúdo de uma imagem. Por exemplo, se você tiver uma foto de uma rua movimentada, o modelo poderá gerar uma legenda que descreva a cena em detalhes, mencionando os tipos de veículos, a movimentação dos pedestres e até o horário do dia com base nas condições de iluminação.

Além disso, a funcionalidade de OCR do Gemini 2.5 pode ser usada em várias aplicações. Por exemplo, você pode digitalizar documentos impressos ao escanear páginas ou recibos. Esse recurso é ideal para automatizar tarefas de entrada de dados, processar formulários ou até ler textos de cartões de visita e placas.

Em resumo, o Google Gemini 2.5 Pro abre caminho para uma ampla variedade de aplicações práticas de IA.

Principais conclusões#

Além de gerar e analisar texto, o Google Gemini 2.5 Pro pode ser usado em tarefas de visão computacional, como detecção de objetos, geração de legendas para imagens e OCR. Com sua ampla janela de contexto e recursos avançados de raciocínio, ele produz resultados detalhados e sensíveis ao contexto, adequados a situações do mundo real.

À medida que os modelos de IA continuam evoluindo, ferramentas como o Gemini 2.5 Pro facilitam a resolução de problemas complexos em diversos setores. É provável que a adoção da IA se amplie ainda mais à medida que mais organizações busquem soluções multimodais flexíveis, capazes de lidar com uma ampla variedade de tarefas, da compreensão visual ao processamento de linguagem.

Faz parte da nossa comunidade e descobre projetos de AI no nosso repositório do GitHub. Vê as aplicações da AI de visão na agricultura e o papel da AI na indústria transformadora nas nossas páginas de soluções. Explora os nossos planos de licenciamento e cria hoje mesmo soluções de visão computacional!