上手使用 Google Gemini 2.5 执行计算机视觉任务

AI 的发展速度非常快，几乎每天都有新的创新登上头条。最近的一项重大突破是 Gemini 2.5，这是 Google DeepMind 推出的最新多模态模型，于 3 月 26 日发布。虽然传统 Large Language Models (LLMs) 可以从海量数据中学习来生成类人文本，但 Gemini 2.5 的功能远不止于此。

它被设计为一个“思考模型”，可以处理图像、音频和视频。它具备增强的推理和编码技能。有趣的是，它在计算机视觉任务方面的表现也异常出色，在这些任务中，机器可以解释和分析视觉数据，例如目标检测、图像描述和光学字符识别 (OCR)。

图 1. 使用 Gemini 2.5 理解图像内容的示例。

在本文中，我们将带你了解 Ultralytics 的一个 Notebook，它可以帮助你上手体验 Gemini 2.5 的计算机视觉功能。我们还将仔细研究 Gemini 2.5 的核心特性，并展示如何使用它来构建面向现实世界应用的计算机视觉解决方案。我们开始吧！

Gemini 2.5 概述：特性与能力#

Gemini 2.5 模型系列刚发布了首个版本，即 Gemini 2.5 Pro 的实验版本。它旨在通过在给出答案前进行思考来处理复杂问题。它使用了诸如强化学习（模型从反馈中学习）和思维链提示（一种分步骤解决问题的思维方式）等方法。

其关键特性之一是庞大的上下文窗口，可容纳 100 万个 token（大约一百万个单词或部分词），预计未来将扩展至 200 万个。这意味着模型可以同时摄入大量信息，从而得出更详尽、更准确的结果。

除了处理语言外，Gemini 2.5 还可用于以下计算机视觉任务：

• 目标检测：这是识别和定位图像中目标的过程。它可用于监控或自动驾驶汽车等应用。

• 图像标注：此任务涉及为图像生成描述性文本。它使视觉内容更易于访问和理解。

• 光学字符识别：该技术将图像中的文本转换为可编辑的、机器可读的文本。它对于数字化文档和自动录入数据非常有用。

将 Google Gemini 2.5 与其他模型进行基准测试和对比#

如今 AI 领域有多种多模态模型可用，因此了解 Gemini 2.5 Pro 与它们的对比情况非常重要。根据 Google DeepMind 分享的基准测试结果，Gemini 2.5 Pro 在一系列任务中表现出令人印象深刻的性能。

例如，在名为“人类终极考试”(Humanity’s Last Exam) 的测试中（该测试模拟了涵盖多门学科的挑战性考试，旨在考察高级推理能力和通用知识），Gemini 2.5 Pro 的得分为 18.8% 左右，优于得分约 14% 的 OpenAI o3-mini 等模型。

图 2. Gemini 2.5 Pro 的基准性能概览。

它在数学和编程挑战中也表现优异，通常能够匹配甚至超过 OpenAI GPT-4.5、Claude 3.7 Sonnet、Grok 3 Beta 和 DeepSeek R1 等模型的性能，这证明了它处理复杂任务和处理海量数据的能力。

上手体验 Gemini 2.5：如何使用 Google Gemini API#

Gemini 2.5 Pro 可在多个平台上使用。你可以在 Google AI Studio 中尝试它，也可以通过 Gemini 应用供 Gemini Advanced 用户访问。在发布公告中，Google DeepMind 还提到该模型很快将在 Vertex AI 上得到支持。这些接入点使开发者能够轻松使用 Gemini 2.5 Pro 来开发现实世界的 AI 应用。

不过，如果你想使用 Google Gemini API 并在几分钟内上手而无需进行复杂的设置，同时希望更好地了解其计算机视觉功能，你可以查看 Ultralytics notebook，它展示了使用 Gemini 2.5 Pro 进行目标检测和图像描述等任务。让我们详细了解一下你可以在 notebook 中期待看到的内容。

使用 Google Gemini 2.5 笔记本设置推理#

要开始使用 Ultralytics notebook 并使用 Google Gemini 2.5，你首先需要通过 Google AI Studio 生成一个 API 密钥。此密钥允许你访问 Gemini API，以便你可以使用该模型。

获取 API 密钥后，请确保你的环境中安装了必要的库——这些库包括来自 Ultralytics 和 Google AI 工具包的软件包。此步骤在 notebook 中有清晰的说明，因此你可以轻松按照说明设置你的工作区。

配置完成后，你可以输入 API 密钥（如下所示）连接到 Gemini API，这会在你的工作区和模型之间建立链接。之后，你就可以向 Gemini 2.5 发送图像和文本提示了。

从本质上讲，你可以向模型提供一张图像和简单的指令（例如“检测此图像中的物体”或“描述你看到了什么”），它就会返回你需要的结果。这个直接的过程使你能够轻松开始探索 Gemini 2.5 的计算机视觉功能。

使用 Google Gemini 2.5 进行物体检测#

笔记本中的一个关键示例是使用 Gemini 2.5 Pro 进行物体检测。在这个例子中，你为模型提供一张图像和一个简单的提示来检测物体。

该模型处理图像并返回其找到的每个目标的坐标和标签；这些坐标以归一化形式给出。然后，使用来自 Ultralytics Python package 的函数将这些归一化值转换为匹配图像的实际尺寸，并在每个目标周围绘制清晰的边界框，如下所示。

图 3. 使用 Google Gemini 2.5 进行物体检测。

使用 Gemini 2.5 进行图像标注#

notebook 中的另一个有趣示例是使用 Gemini 2.5 Pro 进行图像描述。在此示例中，你向模型提供一张图像和一个提示词，要求它生成描述图像内容的详细描述。

模型随后会分析视觉内容并返回一段叙述，通常以多个句子的形式格式化，捕捉图像的内容和背景。此功能对于提高无障碍性、总结视觉信息甚至增强创意叙事都很有用。

利用 Google Gemini 模型提高 OCR 准确性#

OCR 是一项利用 Gemini 2.5 Pro 读取图像中文本能力的计算机视觉任务。在笔记本中，你可以为模型提供一张包含文本的图像以及提取文本的提示。模型会处理图像并返回检测到的文本以及文本所在的位置坐标，如下所示。

然后，使用 Ultralytics Python package 中的函数将这些归一化坐标转换为图像的实际尺寸，并在文本区域周围绘制边界框。这种带有注释的输出可以清楚地显示文本所在的位置，这对于数字化文档、自动录入数据和提高无障碍性非常有用。

图 4. 使用 Google Gemini 2.5 提取图像中的文本数据。

Google Gemini 2.5 的现实世界应用#

现在我们已经了解了 Google Gemini 2.5 Pro 如何用于各种计算机视觉任务，让我们探索一些可以使用这些功能的现实应用。

例如，Gemini 2.5 Pro 的目标检测能力可以帮助自动标注和组织大量图像，从而大大加快数据集创建或内容管理等任务。它还可用于分析零售和农业等领域的图像——例如，检测货架上的产品或识别农场照片中农作物受压力的迹象。

图 5. Gemini 2.5 Pro 分析植物的健康状况。

与此同时，该模型的图像标注功能可以帮助视障用户理解图像中的内容。例如，如果你有一张繁忙街道的照片，模型可能会生成一段详细描述场景的标注，提及车辆类型、行人活动，甚至根据光线线索判断时间。

此外，Gemini 2.5 的 OCR 功能可用于多种应用。例如，你可以通过扫描页面或收据来数字化打印文档。此功能非常适合自动化数据录入任务、处理表格，甚至读取名片和标牌上的文本。

总的来说，Google Gemini 2.5 Pro 为广泛的实际 AI 应用打开了大门。

关键要点#

除了生成和分析文本之外，Google Gemini 2.5 Pro 还可以用于物体检测、图像标注和 OCR 等计算机视觉任务。凭借其巨大的上下文窗口和增强的推理能力，它能够生成在现实场景中表现出色的详细、具有上下文感知的结果。

随着 AI 模型的不断演进，像 Gemini 2.5 Pro 这样的工具正在使解决跨行业复杂问题变得更加容易。随着越来越多的组织寻求能够处理从视觉理解到语言处理等广泛任务的灵活多模态解决方案，我们可能会看到 AI 得到更广泛的采用。

加入我们的社区，在我们的 GitHub 仓库上了解前沿的 AI 项目。在我们的解决方案页面上查看农业视觉 AI 的应用以及制造业 AI 的角色。探索我们的许可计划并立即构建计算机视觉解决方案！