谷歌 Gemini 2.5 革新图像处理：不止识别物体，更能理解抽象概念与关系

超越传统，理解抽象与关系

传统图像分割技术多集中于识别如"狗""汽车""椅子"等具体对象。而如今，Gemini 能够理解并响应更复杂、语义更强的语言指令，实现更高级的图像分析。

该技术可处理以下三类高级指令：

• 关系查询：如"撑伞的人"
• 逻辑指令：如"所有非坐着的人"
• 抽象概念：如识别"杂物"或"损坏"等模糊视觉概念

同时，Gemini 内置文本识别能力，可精准识别图像中的屏幕文字内容，例如展示柜上的"开心果果仁蜜饯"。系统还支持多语言提示，并可根据需求输出其他语言（如法语）的物体标签。

广泛应用：从设计到安全再到保险

谷歌指出，这项技术在多个行业具有巨大应用潜力：

• 图像编辑：设计师无需鼠标或选区工具，只需一句"选择建筑物的阴影"，即可快速定位目标区域。
• 工作场所安全：Gemini 可自动扫描照片或视频，识别违规行为，例如"施工现场所有未戴头盔的人"。
• 保险行业：理赔人员可通过指令"突出显示所有遭受风暴破坏的房屋"，快速在航拍图像中标记受损建筑，大幅节省人工核查时间。

开发者友好：API访问与优化建议

该功能无需部署独立模型。开发者可直接通过 Gemini API 调用"对话式图像分割"服务，所有请求均由具备该功能的 Gemini 模型实时处理。

系统返回结果以 JSON 格式呈现，包含以下关键信息：

• 区域坐标 ：box_2d
• 像素掩码 ：mask
• 描述标签 ：label

为实现最佳效果，谷歌推荐使用 gemini-2.5-flash 模型，并将 thinkingBudget 参数设为零以触发即时响应。开发者可通过 Google AI Studio 或 Python Colab 进行初步测试。