Vertex AI in Firebase SDK'sını kullanarak uygulamanızdan Vertex AI Gemini API'ü çağırırken Gemini modelinden çok modlu girişe dayalı metin oluşturmasını isteyebilirsiniz. Çok modlu istemler, metin, resim, PDF, video ve ses gibi birden fazla modu (veya giriş türünü) içerebilir.
Girişteki metin olmayan bölümler (ör. medya dosyaları) için desteklenen dosya türlerini kullanmanız, desteklenen bir MIME türü belirtmeniz ve dosyalarınızın ve çok modlu isteklerinizin koşulları karşıladığından ve en iyi uygulamalara uyduğundan emin olmanız gerekir.
Bu sayfada, aşağıdakiler için desteklenen MIME türleri, en iyi uygulamalar ve sınırlamalar açıklanmaktadır:
Vertex AI in Firebase SDK'larına özel koşullar
Vertex AI in Firebase SDK için maksimum toplam istek boyutu 20 MB'tır. İstek çok büyükse HTTP 413 hatası alırsınız.
Bir dosyanın boyutu toplam istek boyutunu 20 MB'ı aşacaksa dosyayı çok modlu isteğinize dahil etmek için Cloud Storage for Firebase URL'si kullanın.
Küçük dosyaları genellikle doğrudan satır içi veri olarak iletebilirsiniz. Satır içi veri olarak sağlanan bir dosyanın aktarma sırasında base64 olarak kodlandığını ve bu durumun isteğin boyutunu artırdığını unutmayın. Dosyaların satır içi veri olarak nasıl ekleneceğini gösteren örnekler için Gemini API'yi kullanarak çoklu modal istemlerden metin oluşturma başlıklı makaleyi inceleyin.
Resimler: Şartlar, en iyi uygulamalar ve sınırlamalar
Resimler: Şartlar
Bu bölümde, resimler için desteklenen MIME türleri ve istek başına sınırlar hakkında bilgi edineceksiniz.
Desteklenen MIME türleri
Gemini çok formatlı modelleri aşağıdaki resim MIME türlerini destekler:
Resim MIME türü | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
---|---|---|---|
PNG - image/png |
|||
JPEG - image/jpeg |
|||
WebP - image/webp |
İstek başına sınırlar
Bir resimdeki piksel sayısı için belirli bir sınır yoktur. Ancak daha büyük resimler, orijinal en boy oranları korunarak 3072 x 3072 maksimum çözünürlüğe sığacak şekilde küçültülür ve doldurulur.
Bir istem isteğinde izin verilen maksimum resim dosyası sayısı aşağıda verilmiştir:
- Gemini 1.0 Pro Vision: 16 resim
- Gemini 1.5 Flash ve Gemini 1.5 Pro: 3.000 resim
Resimler: Belirtme
Resimler için jetonların nasıl hesaplandığı aşağıda açıklanmıştır:
- Gemini 1.0 Pro Vision: Her resim 258 jetona karşılık gelir.
- Gemini 1.5 Flash ve
Gemini 1.5 Pro:
- Bir resmin her iki boyutu da 384 pikselden küçük veya eşitse 258 jeton kullanılır.
- Bir resmin boyutlarından biri 384 pikselden büyükse resim, karolara bölünerek kırpılır. Her karo boyutu varsayılan olarak en küçük boyutun (genişlik veya yükseklik) 1,5'e bölünmesiyle elde edilir. Gerekirse her karo 256 pikselden küçük ve 768 pikselden büyük olmayacak şekilde ayarlanır. Ardından her karo 768x768 olarak yeniden boyutlandırılır ve 258 jeton kullanılır.
Resimler: En iyi uygulamalar
En iyi sonuçlar için resim kullanırken aşağıdaki en iyi uygulamaları ve bilgileri kullanın:
- Bir resimdeki metni algılamak istiyorsanız birden fazla resim içeren istemlere kıyasla daha iyi sonuçlar elde etmek için tek resim içeren istemler kullanın.
- İsteminiz tek bir resim içeriyorsa resmi isteğinizde metin isteminden önce yerleştirin.
- İsteminiz birden fazla resim içeriyorsa ve bu resimlere isteminizde daha sonra referans vermek istiyorsanız veya modelin model yanıtında bu resimlere referans vermesini istiyorsanız her resme resimden önce bir dizin eklemeniz faydalı olabilir. Dizininiz için
veyaa
b
c
kullanın. Aşağıda, dizine eklenen resimlerin bir istemde kullanımına dair bir örnek verilmiştir:image 1
image 2
image 3
image 1
image 2 image 3 Write a blogpost about my day using image 1 and image 2. Then, give me ideas for tomorrow based on image 3. - Daha yüksek çözünürlüklü resimler kullanın. Bu resimler daha iyi sonuçlar verir.
- İsteminize birkaç örnek ekleyin.
- Resimleri istem kutusuna eklemeden önce doğru yönde döndürün.
- Bulanık resimler kullanmayın.
Görseller: Sınırlamalar
Gemini çoklu modelleri birçok çoklu kullanım alanında güçlü olsa da modellerin sınırlamalarını anlamak önemlidir:
- İçerik moderasyon: Modeller, güvenlik politikalarımızı ihlal eden resimlerle ilgili soruları yanıtlamayı reddeder.
- Uzamsal akıl yürütme: Modeller, görüntülerdeki metin veya nesnelerin yerini belirlemede hassas değildir. Yalnızca yaklaşık nesnelerin sayısını döndürebilirler.
- Tıbbi kullanımlar: Modeller, tıbbi görüntüleri (ör. röntgen ve CT taramaları) yorumlamak veya tıbbi tavsiye vermek için uygun değildir.
- Kişi tanıma: Modellerin, resimlerde ünlü olmayan kişileri tanımlamak için kullanılması amaçlanmamıştır.
- Doğruluk: Modeller düşük kaliteli, döndürülmüş veya çok düşük çözünürlüklü resimleri yorumlarken halüsinasyon sorunu yaşayabilir ya da hata yapabilir. Modeller ayrıca resim dokümanlarında el yazısı metinleri yorumlarken halüsinasyon sorunu yaşayabilir.
Video: Şartlar, en iyi uygulamalar ve sınırlamalar
Video: Şartlar
Bu bölümde, video için desteklenen MIME türleri ve istek başına sınırlar hakkında bilgi edineceksiniz.
Desteklenen MIME türleri
Gemini çok formatlı modelleri aşağıdaki video MIME türlerini destekler:
Video MIME türü | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
---|---|---|---|
FLV - video/x-flv |
|||
MOV - video/quicktime |
|||
MPEG - video/mpeg |
|||
MPEGPS - video/mpegps |
|||
MPG - video/mpg |
|||
MP4 - video/mp4 |
|||
WEBM - video/webm |
|||
WMV - video/wmv |
|||
3GPP - video/3gpp |
İstek başına sınırlar
Bir istem isteğinde izin verilen maksimum video dosyası sayısı aşağıda belirtilmiştir:
- Gemini 1.0 Pro Vision: 1 video dosyası
- Gemini 1.5 Flash ve Gemini 1.5 Pro: 10 video dosyası
Video: Belirtme
Video için jetonlar şu şekilde hesaplanır:
- Tüm çoklu formatlı Gemini modelleri: Videolar
saniyede 1 kare (fps) hızında örneklenir. Her video karesi 258 jeton olarak kabul edilir. - Gemini 1.5 Flash ve
Gemini 1.5 Pro: Ses parçası, video kareleriyle kodlanır. Ses parçası da her biri 32 jetona karşılık gelen
1 saniyelik kısa santrallere ayrılır. Video karesi ve ses jetonları, zaman damgalarıyla birlikte iç içe yerleştirilir. Zaman damgaları 7 jeton olarak gösterilir.
Video: En iyi uygulamalar
Video kullanırken en iyi sonuçlar için aşağıdaki en iyi uygulamaları ve bilgileri kullanın:
- İsteminizde tek bir video varsa videoyu metin isteminin önüne yerleştirin.
- Sesli bir videoda zaman damgası yerelleştirmesi gerekiyorsa modelden, ilk iki basamağın dakikaları, son iki basamağın ise saniyeleri temsil ettiği
MM:SS
biçiminde zaman damgaları oluşturmasını isteyin. Bir zaman damgasıyla ilgili sorular için aynı biçimi kullanın. Gemini 1.0 Pro Vision kullanıyorsanız aşağıdakileri göz önünde bulundurun:
- İstem başına birden fazla video kullanmayın.
- Model yalnızca videonun ilk iki dakikasındaki bilgileri işler.
- Model, videoları videodaki birbirine bitişik olmayan resim kareleri olarak işler. Ses dahil değildir. Modelin videoda bazı içerikleri kaçırdığını fark ederseniz modelin video içeriğinin daha büyük bir bölümünü yakalaması için videoyu kısaltmayı deneyin.
- Model, ses bilgilerini veya zaman damgası meta verilerini işlemez. Bu nedenle model, altyazı ekleme gibi ses girişi veya hız ya da ritim gibi zamanla ilgili bilgiler gibi kullanım alanlarında iyi performans göstermeyebilir.
Video: Sınırlamalar
Gemini çok modlu modelleri, birçok çok modlu kullanım alanında güçlü olsa da modellerin sınırlamalarını anlamak önemlidir:
- İçerik moderasyon: Modeller, güvenlik politikalarımızı ihlal eden videolarda yanıt vermeyi reddediyor.
- Konuşma dışı ses tanıma: Sesleri destekleyen modeller, konuşma dışı sesleri tanırken hata yapabilir.
- Yüksek hızlı hareket: Modeller, sabit
saniyede 1 kare (fps) örnekleme hızı nedeniyle videodaki yüksek hızlı hareketi algılarken hata yapabilir. - Transkript noktalama işaretleri: (Gemini 1.5 Flash kullanılıyorsa) Modeller, noktalama işaretleri içermeyen transkriptler döndürebilir.
Ses: Şartlar ve sınırlamalar
Ses: Şartlar
Bu bölümde, ses için desteklenen MIME türleri ve istek başına sınırlar hakkında bilgi edineceksiniz.
Desteklenen MIME türleri
Gemini çok formatlı modelleri aşağıdaki ses MIME türlerini destekler:
Ses MIME türü | Gemini 1.5 Flash | Gemini 1.5 Pro |
---|---|---|
AAC - audio/aac |
||
FLAC - audio/flac |
||
MP3 - audio/mp3 |
||
MPA - audio/m4a |
||
MPEG - audio/mpeg |
||
MPGA - audio/mpga |
||
MP4 - audio/mp4 |
||
OPUS - audio/opus |
||
PCM - audio/pcm |
||
WAV - audio/wav |
||
WEBM - audio/webm |
İstek başına sınırlar
Bir istem isteğine en fazla
Ses: Sınırlamalar
Gemini çok modlu modelleri, birçok çok modlu kullanım alanında güçlü olsa da modellerin sınırlamalarını anlamak önemlidir:
- Konuşma dışı ses tanıma: Sesleri destekleyen modeller, konuşma dışı sesleri tanırken hata yapabilir.
- Yalnızca ses için zaman damgaları: Yalnızca ses dosyaları için doğru zaman damgaları oluşturmak istiyorsanız
generation_config
içindeaudio_timestamp
parametresini yapılandırmanız gerekir. - Transkript noktalama işaretleri: (Gemini 1.5 Flash kullanılıyorsa) Modeller, noktalama işaretleri içermeyen transkriptler döndürebilir.
Dokümanlar (ör. PDF'ler): Şartlar, en iyi uygulamalar ve sınırlamalar
Belgeler: Şartlar
Bu bölümde, dokümanlar (ör. PDF'ler) için istek başına desteklenen MIME türleri ve sınırlar hakkında bilgi edinebilirsiniz.
Desteklenen MIME türleri
Gemini çok formatlı modelleri aşağıdaki doküman MIME türlerini destekler:
Doküman MIME türü | Gemini 1.5 Flash | Gemini 1.5 Pro | Gemini 1.0 Pro Vision |
---|---|---|---|
PDF - application/pdf |
|||
Kısa mesaj - text/plain |
İstek başına sınırlar
PDF'ler resim olarak değerlendirilir. Bu nedenle, PDF'nin tek bir sayfası tek bir resim olarak değerlendirilir. Bir istemde izin verilen sayfa sayısı, modelin destekleyebileceği resim sayısıyla sınırlıdır:
- Gemini 1.0 Pro Vision: 16 sayfa
- Gemini 1.5 Pro ve Gemini 1.5 Flash: 1.000 sayfa
Belgeler: Belirtme
PDF jeton oluşturma
PDF'ler resim olarak değerlendirilir. Bu nedenle, PDF'nin her sayfası resimle aynı şekilde jetonlara ayrılır.
Ayrıca, PDF'lerin maliyeti Gemini resim fiyatlandırmasına tabidir. Örneğin, bir Gemini API çağrısına iki sayfalık bir PDF eklerseniz iki resmin işlenmesi için giriş ücreti ödersiniz.
Düz metin belirtkeleme
Düz metin dokümanları metin olarak jetonlara ayrılır. Örneğin, bir Gemini API çağrısına 100 kelimelik bir düz metin belgesi eklerseniz 100 kelimenin işlenmesi için giriş ücreti ödersiniz.
Dokümanlar: En iyi uygulamalar
PDF'leri kullanırken en iyi sonuçlar için aşağıdaki en iyi uygulamaları ve bilgileri kullanın:
- İsteminiz tek bir PDF içeriyorsa PDF'yi isteğinizde metin isteminden önce yerleştirin.
- Uzun bir dokümanınız varsa işleme almak için birden fazla PDF'ye bölmeyi düşünebilirsiniz.
- Taranmış resimlerdeki metin yerine, metin olarak oluşturulan PDF'leri kullanın. Bu biçim, metnin makine tarafından okunabilir olmasını sağlar. Böylece, modelin tarayıcıdan alınan resim PDF'lerine kıyasla metni düzenlemesi, araması ve değiştirmesi daha kolay olur. Bu uygulama, sözleşmeler gibi metin ağırlıklı dokümanlarla çalışırken en iyi sonuçları sağlar.
Belgeler: Sınırlamalar
Gemini çoklu modelleri birçok çoklu kullanım alanında güçlü olsa da modellerin sınırlamalarını anlamak önemlidir:
- Uzamsal akıl yürütme: Modeller, PDF'lerdeki metinleri veya nesneleri bulma konusunda hassas değildir. Yalnızca öğelerin yaklaşık sayılarını döndürebilirler.
- Doğruluk: Modeller, PDF dokümanlarında el yazısı metinleri yorumlarken halüsinasyon sorunu yaşayabilir.