Google hat Gemini 2.5 ein cleveres Upgrade verpasst. Doch was steckt genau hinter der neuen Bildanalyse per natürlicher Sprache – und welche Möglichkeiten eröffnet das für den Alltag?
Mit der Funktion „conversational image segmentation“ hebt Google die Bildverarbeitung auf ein neues Niveau. Statt auf starre Kategorien wie „Hund“ oder „Auto“ festgelegt zu sein, versteht Gemini 2.5 jetzt auch komplexe Anfragen in natürlicher Sprache – sogar in mehreren Sprachen. Ob „die Person mit dem Regenschirm“, „alle, die nicht sitzen“ oder abstrakte Konzepte wie „Unordnung“ – Gemini erkennt Bildinhalte so, wie Menschen sie beschreiben würden. Selbst über Text eingeblendete Objekte wie „Pistazien-Baklava“ in einer Vitrine entgehen dem Modell nicht, dank integrierter Texterkennung.
Spannend sind vor allem die praktischen Anwendungen. Designer:innen können per Sprachbefehl gezielt Bildteile auswählen – ein Mausklick ist überflüssig. Auf Baustellen lassen sich Regelverstöße wie „Personen ohne Helm“ im Bildmaterial ausfindig machen. Und für Versicherungen lassen sich Schäden an Gebäuden in Luftbildern automatisch markieren, ohne mühseliges Sichten.
Das Beste: Für die neue Funktion braucht es keine Spezialmodelle. Sie steht direkt über die Gemini API bereit, liefert Ergebnisse im JSON-Format und lässt sich mit Google AI Studio oder Python Colab sofort ausprobieren. Besonders gut klappt es mit dem Modell gemini-2.5-flash und einem auf null gesetzten „thinkingBudget“-Parameter.
Wer also schon immer davon geträumt hat, Bilder einfach per Sprache zu steuern und auszuwerten – für den ist Gemini 2.5 genau der richtige Helfer.