Πώς να Χρησιμοποιήσετε το Nano Banana στο Google AI Studio και Gemini

from google import genai  
from PIL import Image  
from io import BytesIO  
import os  
from dotenv import load_dotenv  
load_dotenv()  # Φορτώνει το API key από το αρχείο .env  
client = genai.Client(api_key=os.getenv("GEMINI_API_KEY"))  
# Ορισμός του prompt για δημιουργία εικόνας  
prompt = "Μια φουτουριστική αστική τοποθεσία στο λυκόφως με νέον φώτα που αντανακλώνται σε βρεγμένους δρόμους"  
# Αίτημα δημιουργίας εικόνας από το Gemini 2.5 Flash Image  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[prompt]  
)  
# Εξαγωγή και αποθήκευση της δημιουργημένης εικόνας  
for part in response.candidates[0].content.parts:  
    if part.inline_data is not None:  
        image = Image.open(BytesIO(part.inline_data.data))  
        image.save("generated_image.png")  
        print("Η εικόνα αποθηκεύτηκε ως generated_image.png")  

from PIL import Image  
from io import BytesIO  
# Φόρτωση της υπάρχουσας εικόνας για επεξεργασία  
image_to_edit = Image.open("path/to/your/image.png")  
# Ορισμός του prompt επεξεργασίας  
edit_prompt = "Χρησιμοποιώντας την παρεχόμενη εικόνα, πρόσθεσε μια πινελιά vintage στυλ, ζεστούς σέπια τόνους και ελαφρώς θολό φόντο"  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[edit_prompt, image_to_edit]  
)  
# Επεξεργασία της απάντησης για αποθήκευση της επεξεργασμένης εικόνας  
for part in response.candidates[0].content.parts:  
    if part.inline_data is not None:  
        edited_image = Image.open(BytesIO(part.inline_data.data))  
        edited_image.save("edited_image.png")  
        print("Η επεξεργασμένη εικόνα αποθηκεύτηκε ως edited_image.png")  

from PIL import Image  
from io import BytesIO  
base_image = Image.open("path/to/your/portrait.png")  
consistency_prompt = "Generate a new image using the provided portrait as reference. The subject should be smiling and looking directly at the camera, with the same facial features and style."  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[consistency_prompt, base_image]  
)  
for part in response.candidates[0].content.parts:  
    if part.inline_data is not None:  
        consistent_image = Image.open(BytesIO(part.inline_data.data))  
        consistent_image.save("consistent_image.png")  
        print("Η συνεπής εικόνα αποθηκεύτηκε ως consistent_image.png")  

from PIL import Image  
from io import BytesIO  
# Φόρτωση πολλαπλών εικόνων  
background = Image.open("path/to/background.png")  
product = Image.open("path/to/product.png")  
fusion_prompt = "Συνδυάστε το φόντο με την εικόνα του προϊόντος. Τοποθετήστε το προϊόν φυσικά μέσα στη σκηνή, εξασφαλίζοντας ότι ο φωτισμός και οι σκιές ταιριάζουν."  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[fusion_prompt, background, product]  
)  
for part in response.candidates[0].content.parts:  
    if part.inline_data is not None:  
        fusion_image = Image.open(BytesIO(part.inline_data.data))  
        fusion_image.save("fused_image.png")  
        print("Η συγχωνευμένη εικόνα αποθηκεύτηκε ως fused_image.png")  

from google import genai  
from PIL import Image  
from io import BytesIO  
import os  
from dotenv import load_dotenv  
load_dotenv()  
client = genai.Client(api_key=os.getenv("GEMINI_API_KEY"))  
# Βήμα 1: Δημιουργία εικόνας βάσει κειμενικής προτροπής  
generation_prompt = "Ένα ήρεμο ηλιοβασίλεμα πάνω από μια γαλήνια λίμνη με απαλά σύννεφα και ζεστούς τόνους"  
response_gen = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[generation_prompt]  
)  
for part in response_gen.candidates[0].content.parts:  
    if part.inline_data is not None:  
        gen_image = Image.open(BytesIO(part.inline_data.data))  
        gen_image.save("sunset_lake.png")  
        print("Η δημιουργημένη εικόνα αποθηκεύτηκε ως sunset_lake.png")  
# Βήμα 2: Επεξεργασία υπάρχουσας εικόνας με προσθήκη αντικειμένου  
base_image = Image.open("sunset_lake.png")  
edit_prompt = "Χρησιμοποιώντας την παρεχόμενη εικόνα, εισάγετε μια μικρή ξύλινη βάρκα που πλέει απαλά στη γαλήνια λίμνη, με ρεαλιστικές αντανακλάσεις."  
response_edit = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[edit_prompt, base_image]  
)  
for part in response_edit.candidates[0].content.parts:  
    if part.inline_data is not None:  
        edited_image = Image.open(BytesIO(part.inline_data.data))  
        edited_image.save("sunset_lake_boat.png")  
        print("Η επεξεργασμένη εικόνα αποθηκεύτηκε ως sunset_lake_boat.png")  

flowchart TD  
    A["Έναρξη: Ορισμός Απαιτήσεων"]  
    B["Επιλογή Πλατφόρμας: AI Studio ή Gemini API"]  
    C["Σύνδεση και Πρόσβαση στην Εικόνα Gemini 2.5 Flash"]  
    D["Εισαγωγή Περιγραφικής Εντολής / Μεταφόρτωση Εικόνας"]  
    E["Δημιουργία Αρχικής Εικόνας"]  
    F["Ανασκόπηση Αποτελέσματος"]  
    G["Επανάληψη: Βελτίωση Εντολής ή Επεξεργασία Εικόνας"]  
    H["Οριστικοποίηση Εικόνας και Αποθήκευση Αποτελέσματος"]  
    A --> B  
    B --> C  
    C --> D  
    D --> E  
    E --> F  
    F --> G  
    G --> H  

flowchart TD  
    A["Έναρξη: Ρύθμιση Περιβάλλοντος"]  
    B["Εγκατάσταση Απαραίτητων Πακέτων"]  
    C["Ασφάλεια Κλειδιού API (.env)"]  
    D["Σύνταξη Python Script με χρήση google-genai"]  
    E["Ορισμός Εντολής και/ή Μεταφόρτωση Εικόνας"]  
    F["Κλήση Gemini API για Δημιουργία/Επεξεργασία"]  
    G["Επεξεργασία Απάντησης και Εξαγωγή Εικόνας"]  
    H["Αποθήκευση και Ανασκόπηση Αποτελέσματος"]  
    A --> B  
    B --> C  
    C --> D  
    D --> E  
    E --> F  
    F --> G  
    G --> H