基于Google Gemini 2.0的提示式对象检测与图像标注演示工作流

工作流名称

基于Google Gemini 2.0的提示式对象检测与图像标注演示工作流

主要功能和亮点

该工作流展示了如何利用Google Gemini 2.0多模态AI模型，实现基于文本提示的图像对象检测，自动识别图片中特定对象（如兔子）的位置，并在原图上绘制精准的边界框。支持对检测坐标进行归一化缩放，保证标注与原图尺寸完全匹配。整个流程自动化，无需人工干预，极大提升图像分析与标注效率。

解决的核心问题

传统的图像对象检测多依赖固定模型，难以灵活指定检测目标。此工作流通过提示式请求，解决了用户需要针对不同语义目标动态定位对象的难题，实现上下文驱动的智能图像识别和定位。并且通过坐标缩放与图像编辑节点，解决了检测结果与原始图像尺寸不匹配的问题，使得结果直观易用。

应用场景

• 智能图像内容分析与标注
• 视觉搜索与分类，如“标注所有含有儿童的成年人”
• 监控场景的异常行为检测
• 电子商务产品图像自动标注
• 媒体内容管理与检索
• AI辅助的图像编辑与增强

主要流程步骤

1. 下载测试图片：通过HTTP请求节点获取目标图像。
2. 获取图片尺寸信息：利用编辑图片节点提取图像的宽高参数。
3. 调用Google Gemini 2.0对象检测API：发送带有文本提示“识别图片中所有兔子”的请求，返回对象的边界框坐标（归一化形式）。
4. 提取并处理返回坐标：通过代码节点，将归一化坐标缩放至原图尺寸。
5. 绘制边界框：利用编辑图片节点，在原图上绘制检测到的对象边界框，实现可视化标注。

涉及的系统或服务

• Google Gemini 2.0 API：用于多模态文本提示驱动的对象检测。
• n8n HTTP请求节点：下载图片与调用API。
• n8n 编辑图片节点：获取图片信息及绘制边界框。
• n8n 代码节点：坐标缩放计算。
• n8n 手动触发节点：触发整个工作流执行。

适用人群或使用价值

• AI开发者及图像处理工程师，希望快速搭建并验证多模态对象检测能力。
• 内容审核与管理人员，需自动标注和筛选图像内容。
• 产品经理和业务人员，探索AI驱动的智能图像解决方案。
• 任何需要基于文本描述自动识别和标注图像中特定对象的用户，显著节省人工标注时间，提高效率和准确度。

此工作流以实用且直观的方式演示了前沿多模态AI技术在图像理解领域的应用潜力，助力用户轻松构建智能视觉自动化流程。