Jak korzystać z Nano Banana w Google AI Studio i Gemini

from google import genai  
from PIL import Image  
from io import BytesIO  
import os  
from dotenv import load_dotenv  
load_dotenv()  # Załaduj klucz API z pliku .env  
client = genai.Client(api_key=os.getenv("GEMINI_API_KEY"))  
# Zdefiniuj prompt do generowania obrazu  
prompt = "Futurystyczny krajobraz miejski o zmierzchu z neonowymi światłami odbijającymi się na deszczowych ulicach"  
# Wywołaj generowanie obrazu za pomocą Gemini 2.5 Flash Image  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[prompt]  
)  
# Wyodrębnij i zapisz wygenerowany obraz  
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("Obraz zapisany jako generated_image.png")  

from PIL import Image  
from io import BytesIO  
# Załaduj istniejący obraz do edycji  
image_to_edit = Image.open("ścieżka/do/twojego/obrazu.png")  
# Zdefiniuj prompt edycji  
edit_prompt = "Używając dostarczonego obrazu, dodaj nutę stylu vintage, ciepłe sepiowe tony i lekko rozmyte tło"  
response = client.models.generate_content(  
    model="gemini-2.5-flash-image-preview",  
    contents=[edit_prompt, image_to_edit]  
)  
# Przetwórz odpowiedź, aby zapisać edytowany obraz  
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("Edytowany obraz zapisany jako edited_image.png")  

from PIL import Image  
from io import BytesIO  
base_image = Image.open("path/to/your/portrait.png")  
consistency_prompt = "Wygeneruj nowy obraz, używając dostarczonego portretu jako odniesienia. Osoba powinna się uśmiechać i patrzeć prosto w kamerę, zachowując te same cechy twarzy i styl."  
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("Obraz zachowujący spójność zapisany jako consistent_image.png")  

from PIL import Image  
from io import BytesIO  
# Załaduj wiele obrazów  
background = Image.open("path/to/background.png")  
product = Image.open("path/to/product.png")  
fusion_prompt = "Połącz tło z obrazem produktu. Umieść produkt naturalnie w scenie, zapewniając dopasowanie oświetlenia i cieni."  
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("Połączony obraz zapisano jako 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"))  
# Krok 1: Wygeneruj obraz na podstawie tekstowego opisu  
generation_prompt = "Spokojny zachód słońca nad cichym jeziorem z miękkimi chmurami i ciepłymi barwami"  
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("Wygenerowany obraz zapisano jako sunset_lake.png")  
# Krok 2: Edytuj istniejący obraz, dodając obiekt  
base_image = Image.open("sunset_lake.png")  
edit_prompt = "Na podstawie dostarczonego obrazu wstaw małą drewnianą łódź delikatnie płynącą po spokojnym jeziorze, z realistycznymi odbiciami."  
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("Edytowany obraz zapisano jako sunset_lake_boat.png")  

flowchart TD  
    A["Start: Określ wymagania"]  
    B["Wybierz platformę: AI Studio lub Gemini API"]  
    C["Zaloguj się i uzyskaj dostęp do Gemini 2.5 Flash Image"]  
    D["Wprowadź opisowy prompt / Prześlij obraz"]  
    E["Wygeneruj wstępny obraz"]  
    F["Przejrzyj wynik"]  
    G["Iteruj: dopracuj prompt lub edytuj obraz"]  
    H["Zakończ obraz i zapisz wynik"]  
    A --> B  
    B --> C  
    C --> D  
    D --> E  
    E --> F  
    F --> G  
    G --> H  

flowchart TD  
    A["Start: Konfiguracja środowiska"]  
    B["Zainstaluj wymagane pakiety"]  
    C["Zabezpiecz klucz API (.env)"]  
    D["Napisz skrypt Python używając google-genai"]  
    E["Zdefiniuj prompt i/lub prześlij obraz"]  
    F["Wywołaj Gemini API do generowania/edycji"]  
    G["Przetwórz odpowiedź i wyodrębnij obraz"]  
    H["Zapisz i przejrzyj wynik"]  
    A --> B  
    B --> C  
    C --> D  
    D --> E  
    E --> F  
    F --> G  
    G --> H