Gemini y las cajas de imagen: una coordenada de 500 no significa 500 píxeles
La documentación normaliza posiciones entre 0 y 1.000; hay que recuperar escala y orden antes de dibujar un resultado.
Las coordenadas que devuelve una herramienta de visión no siempre están expresadas en píxeles. La documentación de comprensión de imágenes de Gemini describe cajas delimitadoras con posiciones normalizadas entre cero y mil y el orden ymin, xmin, ymax, xmax. Para llevarlas a una imagen original hay que ajustar esa escala según sus dimensiones.
Un ejemplo propio aclara la diferencia. Si la imagen tiene 1.600 píxeles de ancho y 900 de alto, una posición horizontal normalizada de 500 corresponde a 800 píxeles. La misma cifra usada en el eje vertical corresponde a 450. Multiplicar cada coordenada dividida entre mil por la dimensión de su eje evita interpretar ambos valores como quinientos píxeles.
El orden de la caja es una comprobación distinta. Su primer valor es vertical, no horizontal. Antes de representar una respuesta, conserva ancho, alto y convención de coordenadas junto a los valores. Si una caja aparece desplazada, revisa esos tres datos antes de concluir que la detección falló: un error de conversión puede alterar un resultado que todavía no se ha evaluado visualmente.
Una caja correctamente escalada tampoco demuestra que el objeto esté bien identificado. Esa segunda comprobación exige comparar la propuesta con la imagen. Aquí no se ha ejecutado una petición a Gemini ni se ha medido su precisión: el ejercicio reproduce únicamente la transformación geométrica descrita en la documentación. Una aplicación que cambie el tamaño o recorte la imagen necesita conservar también qué versión está utilizando para no mezclar dimensiones de archivos distintos.