详解Gemini API的使用:在国内实现大模型对话与目标检测教程

摘要:本博客介绍了如何利用Gemini API实现多轮对话和图像目标检测识别功能,在Python中快速搭建自己的大模型完成实际任务。通过详细的步骤解析,介绍了如何申请Gemini API密钥,调用API、对话实现的代码,给出了上传图片识别和检测的示例,并使用OpenCV绘制检测框显示结果。涵盖了从API交互到图像标记的全过程,使用户能够快速实现智能视觉应用,进一步降低了AI技术的使用门槛。

在这里插入图片描述

文章目录

  • 1. 前言:简述几个大模型
  • 2. 申请Gemini API步骤
  • 3. 使用Python调用Gemini API实现对话与目标检测
    • 3.1 调用Gemini API实现简单对话
    • 3.2 调用Gemini API实现多轮对话
    • 3.3 调用Gemini API实现目标检测


1. 前言:简述几个大模型

今年的人工智能火上了诺贝尔奖,随着生成式预训练模型(GPT)和基于Transformer结构的神经网络模型的发展,AI技术迎来了“神仙打架”的局面。无论是美国的OpenAI、Google,还是中国的百度、阿里巴巴、华为,各大公司都纷纷推出了自己的大规模语言模型,推动了人工智能在自然语言处理、图像识别等多个领域的迅速发展。老思十分期待通用人工智能的出现,也希望能用上强大的AI工具解放生产力。

在这里插入图片描述

其实大模型的特点在于其强大的数据理解、生成和推理能力,可以广泛应用于对话、图像生成、文本生成、目标检测等任务。调用API可以用一种更方便、定制化地实现个人或企业需求,在后续的博客中也将介绍更多大模型API的使用方法。在全球范围内,以下是目前较为流行的几种大模型及其特点:

  1. OpenAI GPT-4
    OpenAI的GPT-4是当前全球知名的语言模型之一,具备极强的自然语言理解和生成能力,尤其擅长文本对话和创作。GPT-4的API接口通过OpenAI提供,并可嵌入到不同应用中。 访问链接

  2. Google Gemini
    作为Google的最新大语言模型,Gemini具备较强的语义理解和生成能力,尤其在多语言和多任务处理方面表现出色。Google Bard(现在是Gemini)在对话式AI助手和知识问答领域广泛应用。 访问链接

  3. Claude by Anthropic
    Anthropic的Claude模型以安全性和可控性著称,特别关注生成模型的安全性和公正性。Claude被应用于AI助理等场景,并在模型的价值观和合规性方面进行特殊优化。 访问链接

  4. 百度文心一言 (ERNIE Bot)
    作为国内领先的生成式语言模型,百度文心一言基于ERNIE(Enhanced Representation through Knowledge Integration)技术,尤其适合中文语境下的自然语言理解和生成任务。其能力覆盖对话、图像生成、视频处理等多个领域。 访问链接

  5. 阿里巴巴通义千问
    阿里的通义千问(Tongyi Qianwen)在自然语言生成、机器翻译、文本摘要等任务上表现出色,适合复杂的业务场景。通义千问在电商、客服等领域应用广泛,支持企业级API服务。 访问链接

  6. 华为盘古 (Pangu)
    华为推出的盘古大模型具有强大的数据处理和AI计算能力,特别适用于行业应用场景。盘古大模型适合企业需求,可支持金融、能源等领域的定制化解决方案。 访问链接

这里的前3个都需要科学上网才能访问,国内的一直在对标GPT和赶超,玩法倒是很多也有特色。另外,还有像智普清言、Kimi我也经常使用,可以利用这些大模型快速构建智能对话、图像识别等功能。而Gemini最近出了免费的API,整合起来真是方便好用,能更便捷地将大模型引入到自己的应用中。这里整一个API来玩一下,准备后续搭建一个个人的AI助手。


2. 申请Gemini API步骤

要使用Gemini API,首先需要注册账户并申请API权限。而要在国内访问则需要使用梯子,Gemini对国内或部分国家有限制,没选对节点也是用不了的,这点需要非常明确。如果这步无法进行,那后续确实也没必要看下去了,摊手。以下是申请API的详细步骤,能够顺利获取并配置Gemini API。

(1) 注册Gemini账户

首先,访问Gemini官网,这其实是官方给出的说明文档,文档上有“获取API密钥”按钮:

在这里插入图片描述

点击按钮可以进入到登录界面,这里输入谷歌账号,没有就创建一个(在页面中输入邮箱、密码等基本信息完成注册。请确保输入的信息准确无误,便于后续的账户管理和安全保护。注册完成后,您会收到一封确认邮件,点击邮件中的链接完成账户激活,这样就成功注册了一个Gemini账户。):

在这里插入图片描述
(2) 获取API密钥

打开Google AI Studio 申请api的网址:https://makersuite.google.com/app/apikey。当然你也可以打开Gemini的首页 http://ai.google.dev ,并点击 Get API key in Google AI Studio 按钮。你需要先同意使用条款才能继续使用。进入API的网址后,如果你的网络或配置不对,就会跳到下面的页面,原因这个网页已经告诉你了,你需要改到合适的点。

在这里插入图片描述
在网络正确的情况下,可以进入下面的网页,这里点击密钥或者“API key”,如下图:
在这里插入图片描述

创建完成后点击“API密钥”那里,可以在弹出的复制窗口,那一串字符就是你的API key了:

在这里插入图片描述
(3)查看API文档

在申请API密钥并配置网络环境后,可以进入Gemini API文档页面查看详细的API使用说明。文档中列出了API的所有接口、请求参数和示例代码。阅读API文档能够帮助您更好地理解Gemini的接口设计和使用方法,为后续的代码开发打下基础。根据需求,您可以选择使用文本处理API(例如对话生成)或图像处理API(如目标检测等)。


3. 使用Python调用Gemini API实现对话与目标检测

3.1 调用Gemini API实现简单对话

一旦成功申请到Gemini API密钥,我们就可以通过Python代码调用Gemini的对话接口,实现智能对话功能。以下是一个完整的Python示例,演示如何使用google-generativeai库来配置和调用Gemini API,完成AI对话。

  1. 安装必要的库

    首先,确保安装了google-generativeai库,以便通过genai接口访问Gemini API。您可以使用以下命令安装:

    pip install google-generativeai
    
  2. 配置并调用Gemini对话API
    使用以下代码进行初始化配置,并调用对话接口进行内容生成。请将YOUR_API_KEY替换为您在Gemini开发者中心生成的API密钥。

    import google.generativeai as genai# 配置API密钥和传输协议
    genai.configure(api_key="YOUR_API_KEY", transport='rest')# 初始化模型并生成内容
    model = genai.GenerativeModel("gemini-1.5-flash")
    response = model.generate_content("Explain how AI works")
    print(response.text)
    
  3. 解释代码

    • genai.configure(api_key="YOUR_API_KEY", transport='rest'): 此行配置API密钥和传输协议,其中api_key是您的个人密钥,transport='rest'指定了使用RESTful API进行访问。
    • model = genai.GenerativeModel("gemini-1.5-flash"): 通过GenerativeModel类指定要使用的Gemini模型。在此例中,gemini-1.5-flash表示我们选用Gemini的1.5版本模型,该版本模型速度快且能有效生成对话内容。
    • response = model.generate_content("Explain how AI works"): 使用generate_content方法发送一个文本输入(如"Explain how AI works"),获取AI生成的响应内容。
    • print(response.text): 输出AI生成的文本内容。

注意:这里有个点很重要,你会发现用了个transport='rest',如果你搜网上Gemini API的教程,一堆人机或AI写的教程会告诉你用“genai.configure(api_key=“YOUR_API_KEY”)”,实际就是在国内是用不了的,因为没有ti zi转接。

此代码块可以轻松应用于不同的文本对话任务,运行结果如下:

在这里插入图片描述

只需修改输入内容,即可生成不同的对话回复,用中文也是没得问题的。

import google.generativeai as genai# 配置API密钥和传输协议
genai.configure(api_key="YOUR_API_KEY", transport='rest')# 初始化模型并生成内容
model = genai.GenerativeModel("gemini-1.5-flash")
response = model.generate_content("请使用中文,解释你是谁")
print(response.text)

这个代码运行,可以出现下面的回答,实际可以扩展到多轮对话。
在这里插入图片描述

3.2 调用Gemini API实现多轮对话

为了实现多轮对话,我们可以创建一个循环,让用户通过键盘输入内容,Gemini生成并输出回复,持续进行互动。以下是经过修改的Python代码,可以实现连续的问答对话。

import google.generativeai as genai# 配置API密钥和传输协议
genai.configure(api_key="YOUR_API_KEY", transport='rest')# 初始化模型
model = genai.GenerativeModel("gemini-1.5-flash")# 记录对话历史
conversation_history = []print("开始对话吧!输入 'exit' 结束对话。")while True:# 用户输入user_input = input("你: ")if user_input.lower() == "exit":print("对话结束。")break# 将用户输入添加到对话历史中conversation_history.append({"role": "user", "content": user_input})# 调用API生成回复response = model.generate_content(user_input)# 输出AI的回复ai_reply = response.textprint("Gemini:", ai_reply)# 将AI回复也添加到对话历史中conversation_history.append({"role": "assistant", "content": ai_reply})

代码解释

  • 循环结构while True循环不断读取用户输入,并将输入内容发送给Gemini API实现多轮对话。
  • 用户输入检测:当用户输入"exit"时,循环会终止,结束对话。
  • 对话历史conversation_history列表用于保存用户和AI之间的对话记录,以便后续扩展时,可以将对话上下文传递给模型,形成更连贯的对话。
  • API调用与输出:调用generate_content生成回复,并将AI回复输出到屏幕上。

通过这个代码,您可以进行多轮对话,每次发送的内容都会作为新的输入,Gemini会基于最新的输入内容生成回复。下面是输入两轮对话的测试结果:

在这里插入图片描述

3.3 调用Gemini API实现目标检测

利用Gemini API,可以实现目标检测功能,不需要构建复杂的模型,仅需通过API便可完成物体识别并获取边界框信息。以下内容将逐步讲解如何使用Python与Gemini API交互,以实现目标检测并在图像中绘制标记。


(1)安装和配置必要的Python库

首先,确保已经安装google-generativeai库,这是调用Gemini API的关键库。还需要安装cv2numpyPillow等库,用于图像处理和绘制边界框:

pip install google-generativeai opencv-python-headless numpy pillow

完成安装后,在代码中配置API密钥,确保能够成功连接Gemini API。


(2)加载图像并与Gemini API进行交互

为了检测图像中的物体,我们首先加载本地图像文件,并通过Gemini模型发送目标检测请求。Gemini API将返回包含物体类别和边界框信息的文本数据,格式为[ymin, xmin, ymax, xmax, classification]。以下是加载图像并请求检测结果的代码:

import google.generativeai as genai
from PIL import Image# 设置API密钥
genai.configure(api_key="YOUR_API_KEY", transport='rest')# 加载图像
input_image = 'picture.png'
img = Image.open(input_image)# 与Gemini模型交互,获取边界框信息
model = genai.GenerativeModel(model_name='gemini-1.5-pro')
response = model.generate_content([img,("Return bounding boxes for all classes observed in the image. ""Format each detection as [ymin, xmin, ymax, xmax, classification]."),
])result = response.text

在上面的代码中,generate_content方法将图像和说明性文本发送给Gemini模型,获取模型的检测结果。result变量中包含了物体检测的返回数据。


(3)解析模型返回的检测结果

Gemini API返回的结果包含了目标检测中的边界框和分类标签。我们可以通过正则表达式解析出这些信息,并将其转换为可以使用的数据格式:

import redef parse_bounding_box(response):bounding_boxes = re.findall(r'\[(\d+,\s*\d+,\s*\d+,\s*\d+,\s*[\w\s]+)\]', response)# 转换为列表parsed_boxes = []for box in bounding_boxes:parts = box.split(',')numbers = list(map(int, parts[:-1]))label = parts[-1].strip()parsed_boxes.append((numbers, label))return parsed_boxes# 使用解析函数
bounding_box = parse_bounding_box(result)
print("检测结果:", bounding_box)

parse_bounding_box函数使用正则表达式从API返回的文本中提取边界框和类别标签。这样,我们可以获得清晰的物体位置信息和类别。


(4)绘制边界框和标签

接下来,我们使用OpenCV库在图像上绘制边界框和标签。代码会读取边界框的位置和类别信息,并为每个类别分配随机颜色,使标记更加清晰可辨:

import cv2
import numpy as np
from PIL import Imagelabel_colors = {}  # 用于存储每个类别的颜色def draw_bounding_boxes(image, bounding_boxes_with_labels):if image.mode != 'RGB':image = image.convert('RGB')image = np.array(image)for bounding_box, label in bounding_boxes_with_labels:width, height = image.shape[1], image.shape[0]ymin, xmin, ymax, xmax = bounding_boxx1 = int(xmin / 1000 * width)y1 = int(ymin / 1000 * height)x2 = int(xmax / 1000 * width)y2 = int(ymax / 1000 * height)# 颜色分配if label not in label_colors:color = np.random.randint(0, 256, (3,)).tolist()label_colors[label] = colorelse:color = label_colors[label]# 绘制框和标签cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)return Image.fromarray(image)# 绘制并显示结果
output = draw_bounding_boxes(img, bounding_box)
output.show()
output.save("pic_annotated.jpg")

在代码中,draw_bounding_boxes函数根据模型返回的边界框信息在图像上绘制矩形框,并显示标签。绘制完成后,使用output.show()可以立即查看结果图像,或通过output.save()保存标记后的图像。


(5)运行结果

通过以上步骤,可以加载图像、发送目标检测请求、解析返回结果,并在图像中绘制出标记。运行结果如下,没想到吧,它居然直接识别出来了:

在这里插入图片描述

再换一张图还是能搞定,这个效果确实不错。

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/60305.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

HashMap的put流程知道吗

HashMap 的 put 方法算是 HashMap 中比较核心的功能了,复杂程度高但是算法巧妙,同时在上一版本的基础之上优化了存储结构,从链表逐步进化成了红黑树,以满足存取性能上的需要。本文逐行分析了 put 方法的执行流程,重点放…

5. ARM_指令集

概述 分类 汇编中的符号: 指令:能够编译生成一条32位机器码,并且能被处理器识别和执行伪指令:本身不是指令,编译器可以将其替换成若干条指令伪操作:不会生成指令,只是在编译阶段告诉编译器怎…

uniapp的基本使用(easycom规范和条件编译)和uview组件的安装和使用

文章目录 1、uniapp1.uview组件安装2.uview-plus组件安装 2、条件编译3、easycom规范1.组件路径符合规范2.自定义easycom配置的示例 总结 1、uniapp UniApp的UI组件库,如TMUI、uViewUI、FirstUI、TuniaoUI、ThorUI等,这些组件库适用于Vue3和TypeScript&…

Vue 学习随笔系列十四 -- JavaScript巧妙用法

JavaScript巧妙用法 文章目录 JavaScript巧妙用法1、String.padStart 函数2、String.padEnd 函数3、tirm 函数3. Object.freeze 函数4. Object.fromEntries 函数5. Object.entries 函数6. Array.prototype.flat 函数 1、String.padStart 函数 在字符串前面进行填充 let temp …

docker运行ActiveMQ-Artemis

前言 artemis跟以前的ActiveMQ不是一个产品,原ActiveMQ改为ActiveMQ Classic, 现在的artemis是新开发的,和原来不兼容,全称:ActiveMQ Artemis 本位仅介绍单机简单部署使用,仅用于学习和本地测试使用 官网:…

商场试衣间惊现隐藏摄像头:小澄检测仪助力博主影子揭露

在信息时代,隐私安全如同一座需要时刻守护的堡垒。然而,近期公共场所出现的针孔摄像头事件,让这座堡垒遭受了严峻冲击。科普博主影子不会说谎近日发布视频,再度曝光隐藏在商场服装店试衣间的针孔摄像头,引发公众关注。…

【MATLAB仿真】基于matlab的圆形阵列的波束形成进行仿真

摘要 本文研究了基于圆形阵列的波束形成技术,并利用MATLAB对其进行仿真分析。圆形阵列波束形成在现代无线通信、雷达和声学等领域具有广泛的应用,能够有效提高信号的方向性和抗干扰能力。本文通过改变阵列半径及入射角,对波束图进行了仿真分…

遗传算法与深度学习实战(23)——利用遗传算法优化深度学习模型

遗传算法与深度学习实战(23)——利用遗传算法优化深度学习模型 0. 前言1. 神经进化2. 使用遗传算法作为深度学习优化器小结系列链接 0. 前言 神经进化涵盖了所有用于改进深度学习的进化算法。更具体地说,神经进化用来定义应用于深度学习的特…

AG32 FPGA部分简单开发

环境 Quartus 13.0(Quartus 不能使用Lite 版本,需要使用Full 版本)AGM SDKSupra(快捷方式在SDK目录下,具体路径为AgRV_pio\packages\tool-agrv_logic\bin) FPGA编程 在AG32芯片中,拥有异构双…

github使用基础

要通过终端绑定GitHub账号并进行文件传输,你需要使用Git和SSH密钥来实现安全连接和操作。以下是一个基本流程: 设置GitHub和SSH 检查Git安装 通过终端输入以下命令查看是否安装Git: bash 复制代码 git --version配置Git用户名和邮箱 bash …

hive修改表名、修改列名、修改分区

文章目录 一、修改表二、修改列三、修改分区 官网地址:https://cwiki.apache.org/confluence/display/Hive/GettingStarted#GettingStarted-AlteringandDroppingTables 一、修改表 1、重命名表名 ALTER TABLE table_name RENAME TO new_table_name示例: 将user表…

告别复杂协作:Adobe XD的简化替代方案

Adobe XD是一款集成UI/UX设计和原型创建功能的设计平台。它允许用户进行网页、移动应用的设计,以及原型的绘制,并且能够将静态设计转化为动态的交互原型。尽管Adobe XD提供了这些功能,但它依赖于第三方插件,且插件库有限&#xff…

React Hooks在现代前端开发中的应用

💓 博客主页:瑕疵的CSDN主页 📝 Gitee主页:瑕疵的gitee主页 ⏩ 文章专栏:《热点资讯》 React Hooks在现代前端开发中的应用 React Hooks在现代前端开发中的应用 React Hooks在现代前端开发中的应用 引言 React Hooks …

前后端、网关、协议方面补充

这里写目录标题 前后端接口文档简介前后端视角对于前端对于后端代码注册路由路由处理函数 关于httpGET/POST底层网络关于前端的获取 路由器网关路由器的IP简介公网IP(WAN IP)私网IP(LAN IP)无线网络IP(WIFI IP)查询路由器私网IP路由器公网IP LAN口与WIFI简介基本原理 手动配置电…

YOLOv9改进 ,YOLOv9改进损失函数采用SlideLoss来处理样本不平衡问题

摘要 作者提出了一种基于 YOLOv5 改进的实时人脸检测模型,称为YOLO-FaceV2。设计了一个感受野增强模块(RFE)来提升小尺度人脸的感受野,并引入了 NWD 损失,以弥补 IoU 在小目标位置偏差上的敏感性。针对人脸遮挡问题&a…

uni-app中使用 unicloud 云开发平台③

文章目录 六、hbuilderX 中使用 unicloud 云开发平台文档传统业务开发流程什么是 unicloudunicloud 优点开发流程uncloud 构成云数据库云存储及 CDN创建云函数工程七、unicloud api 操作云函数调用云函数实现云数据库基本增删改查1. 获取数据库引用云存储操作六、hbuilderX 中使…

用 Python 从零开始创建神经网络(五):损失函数(Loss Functions)计算网络误差

用损失函数(Loss Functions)计算网络误差 引言1. 分类交叉熵损失(Categorical Cross-Entropy Loss)2. 分类交叉熵损失类(The Categorical Cross-Entropy Loss Class)展示到目前为止的所有代码3. 准确率计算…

PDF24:多功能 PDF 工具使用指南

PDF24:多功能 PDF 工具使用指南 在日常工作和学习中,PDF 是一种常见且重要的文档格式。无论是查看、编辑、合并,还是转换 PDF 文件,能够快速高效地处理 PDF 文档对于提高工作效率至关重要。PDF24 是一款免费、功能全面的 PDF 工具…

java数据结构与算法:栈

栈 1、栈的基本概念2、Java模拟简单的顺序栈实现3、增强功能版栈4、利用栈实现字符串逆序5、利用栈判断分隔符是否匹配6、总结 1、栈的基本概念 **栈(英语:stack)**又称为堆栈或堆叠,栈作为一种数据结构,是一种只能在…

【Conda】Windows下conda的安装并在终端运行

下载 在官网下载 https://www.anaconda.com/download/success 安装 双击 一直下一步安装 配置环境变量 为了在终端运行,需配置环境变量 进入到安装conda的目录并复制路径 设置高级环境变量 在终端运行 输入: conda list表明可以正常运行 参考…