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.xdnf.cn/news/9287.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

「QT」几何数据类 之 QPoint 整型点类

✨博客主页何曾参静谧的博客📌文章专栏「QT」QT5程序设计📚全部专栏「VS」Visual Studio「C/C」C/C程序设计「UG/NX」BlockUI集合「Win」Windows程序设计「DSA」数据结构与算法「UG/NX」NX二次开发「QT」QT5程序设计「File」数据文件格式「PK」Parasolid…

vue页签

效果: 快来学习: Vue 3 Composition API 和 script setup 语法 Composition API:Vue 3 引入的 Composition API 相比 Vue 2 的 Options API 提供了更灵活的代码组织方式。使用 setup 函数,可以将组件的所有功能和逻辑集中在一起&a…

参数高效微调

参数高效微调 参数高效微调简介 对于预训练数据涉及较少的垂直领域,大语言模型需要对这些领域及相应的下游任务进行适配。上下文学习和指令微调是进行下游任务适配的有效途径,但它们在效果或效率上存在缺陷。为弥补这些不足,参数高效微调&am…

第3篇 滑动开关控制LED__ARM汇编语言工程<一>

Q:如何设计实现滑动开关控制LED的ARM汇编程序呢?与Nios II汇编语言有何不同呢? A:基本原理:该应用程序用到DE1-SoC开发板上的10个红色LED、10个滑动开关SW和4个按钮开关。DE1-SoC_Computer system的qsys系统中IP的硬件…

Windows配置hosts文件域名本地解析IP地址,网页打开

在Windows系统中,配置hosts文件可以实现对域名的本地解析,即将特定的域名映射到指定的IP地址。以下是在Windows系统中配置hosts文件的详细步骤: 一、找到hosts文件位置 “C:\Windows\System32\drivers\etc” 二、备份hosts文件并打开 建议…

【主机游戏】艾尔登法环游戏攻略

艾尔登法环,作为一款备受好评但优化问题频发的游戏,就连马斯克都夸过 今天介绍一下这款游戏 https://pan.quark.cn/s/24760186ac0b 角色升级 在《艾尔登法环》中,角色升级需要找到梅琳娜。你可以在关卡前废墟的营地附近,风暴关…

网络原理(应用层)->HTTP

前言 大家好我是小帅,今天我们来了解应用层协议HTTP 文章目录 1. HTTP 请求响应格式(重点)1.1 HTTP 协议的⼯作过程1.2 HTTP请求格式1. 3HTTP响应格式 2. HTTP 请求 (Request)2.1 使⽤ ping 命令查看域名对应的 IP 地址2.2 URL encode2.3 认识…

JavaScript中执行上下文和执行栈是什么?

一、执行上下文 简单的来说,执行上下文是一种对Javascript代码执行环境的抽象概念,也就是说只要有Javascript代码运行,那么它就一定是运行在执行上下文中 执行上下文的类型分为三种: 全局执行上下文:只有一个&#…

2023上半年下午1,2

问题1不要看图1-1父图,直接看图1-2子图去找 用户就是农户和租户 按数据流输入的词语后面加表字即D的名称,流向D的 信息有包含,子图加了,父图就不平衡了 添加图一般不加实体,加联系(菱形)&#x…

Linux基础(2)

学习地点(泷羽sec的个人空间-泷羽sec个人主页-哔哩哔哩视频 (bilibili.com)) LInux目录介绍 Linux常见目录及作用 /:操作系统的根路径 /bin:存储二进制可执行目录,普通用户和管理员都可以执行的命令 /etc:…

算法简介:动态规划

动态规划 1. 动态规划2. 案例2.1 旅游行程最优化2.2 最长公共子串 1. 动态规划 背包问题:背包可以容纳的重量是4磅,吉他为1磅,价值1500元;音响为4磅,价值3000元;笔记本电脑为3磅,价值为2000元。…

解释区块链技术的应用场景和优势。

区块链技术的应用场景包括但不限于以下几个方面: 1. 金融领域:区块链技术可以用于跨境支付、智能合约、数字货币和资产管理等方面,提供更安全、快速和可追溯的交易体验。 2. 物联网领域:区块链技术可以为物联网设备提供身份验证…

【EMNLP2024】基于多轮课程学习的大语言模型蒸馏算法 TAPIR

近日,阿里云人工智能平台PAI与复旦大学王鹏教授团队合作,在自然语言处理顶级会议EMNLP 2024 上发表论文《Distilling Instruction-following Abilities of Large Language Models with Task-aware Curriculum Planning》。文章提出了一个名为 TAPIR 的知…

棱镜七彩参加“融易行”产融对接南京站项目路演活动 展示供应链安全创新成果

近日,江苏省软件强链“融易行”产融对接南京站活动圆满举行,棱镜七彩作为江苏省重点软件企业受邀参加活动,并展示了公司在供应链安全与开源治理方面的创新成就。 本次活动由江苏省工业和信息化厅、南京市工业和信息化局主办,关键软…

5_api_intro_imagerecognition_html2word

HTML 转 Word API 接口 支持网页转 Word,高效转换为 Word,提供永久链接。 1. 产品功能 超高性能转换效率;支持将传递的 HTML 转换为 Word,支持 HTML 中的 CSS 格式在 Word 文档中的呈现;支持传递网站的 URL&#xff0c…

软件工程 软考

开发大型软件系统适用螺旋模型或者RUP模型 螺旋模型强调了风险分析,特别适用于庞大而复杂的、高风险的管理信息系统的开发。喷泉模型是一种以用户需求为动力,以对象为为驱动的模型,主要用于描述面向对象的软件开发过程。该模型的各个阶段没有…

蓝桥杯 懒洋洋字符串--字符串读入

题目 代码 #include <iostream>using namespace std;int main(){int n;cin>>n;char s[210][4];int ans0;for(int i0;i<n;i){scanf("%s",s[i]);}for(int i0;i<n;i){char as[i][0];char bs[i][1];char cs[i][2];// cout<<a<< <<b…

GS-Blur数据集:首个基于3D场景合成的156,209对多样化真实感模糊图像数据集。

2024-10-31&#xff0c;由韩国首尔国立大学的研究团队创建的GS-Blur数据集&#xff0c;通过3D场景重建和相机视角移动合成了多样化的真实感模糊图像&#xff0c;为图像去模糊领域提供了一个大规模、高覆盖度的新工具&#xff0c;显著提升了去模糊算法在真实世界场景中的泛化能力…

【Python】实战:定义一个圆的类并计算面积和周长

class Circle: # Circle类def __init__(self, r):self._r r # 将半径r赋值给实例属性self._rdef get_area(self): # 计算面积;前后双下划线通常用于特殊方法&#xff0c;而常规方法应使用普通命名pi 3.1415926area pi * self._r * self._rreturn areadef get_perimeter(s…

基于vue框架的的热点推荐个性化新闻系统的设计与实现ka0x6(程序+源码+数据库+调试部署+开发环境)系统界面在最后面。

系统程序文件列表 项目功能&#xff1a;用户,新闻类型,省份,时事新闻,视频新闻 开题报告内容 基于Vue框架的热点推荐个性化新闻系统的设计与实现开题报告 一、项目背景 随着互联网技术的飞速发展和信息量的爆炸式增长&#xff0c;新闻资讯已成为人们日常生活中不可或缺的一…