谷歌近日為其Gemini 2.5 AI模型推出了一項(xiàng)新功能，用戶可以通過自然語言指令直接分析并突出顯示圖像內(nèi)容。
這項(xiàng)"對話式圖像分割"技術(shù)超越了傳統(tǒng)的圖像識別方式——傳統(tǒng)方法通常只能通過固定類別（如"狗"、"汽車"或"椅子"）來識別物體。現(xiàn)在，Gemini能夠理解更復(fù)雜的語言描述，并將其應(yīng)用于圖像的特定部分。該模型可以處理關(guān)系型查詢（如"打傘的人"）、邏輯指令（如"所有沒有坐著的人"），甚至是沒有明確視覺輪廓的抽象概念（如"雜物"或"損壞"）。得益于內(nèi)置的文本識別功能，Gemini還能識別需要讀取屏幕上文字的圖像元素，例如展示柜中的"開心果果仁蜜餅"。該功能支持多語言指令，并能根據(jù)需要提供其他語言的物體標(biāo)簽，比如法語。
圖片來源：谷歌
實(shí)際應(yīng)用場景
據(jù)谷歌介紹，這項(xiàng)技術(shù)可應(yīng)用于多個(gè)領(lǐng)域。例如在圖像編輯中，設(shè)計(jì)師不再需要使用鼠標(biāo)或選擇工具，只需說出他們想要選擇的內(nèi)容，比如"選擇建筑物的陰影"。
在工作場所安全方面，Gemini可以掃描照片或視頻中的違規(guī)行為，例如"所有在建筑工地未戴安全帽的人員"。
該功能在保險(xiǎn)行業(yè)也很有用：理賠員可以發(fā)出"突出顯示所有遭受風(fēng)暴損壞的房屋"等指令，自動(dòng)標(biāo)記航拍圖像中受損的建筑物，與手動(dòng)檢查每處房產(chǎn)相比節(jié)省了大量時(shí)間。
圖片來源：谷歌
無需特殊模型
開發(fā)者可以通過Gemini API訪問該功能。所有請求都由具備此功能的Gemini模型直接處理。
返回的結(jié)果采用JSON格式，包括所選圖像區(qū)域的坐標(biāo)（box_2d）、像素掩碼（mask）和描述性標(biāo)簽（label）。
為了獲得最佳效果，谷歌建議使用gemini-2.5-flash模型，并將"thinkingBudget"參數(shù)設(shè)置為零以觸發(fā)即時(shí)響應(yīng)。
用戶可通過Google AI Studio或Python Colab進(jìn)行初步測試。
精選文章：
月租1999元的小米青年公寓火了！大廠如何從 “搶人”轉(zhuǎn)向“留人”？
從大廠到獨(dú)立：為何越來越多的創(chuàng)意人選擇單飛