Gemini 2.5-flash の通常のテキスト生成APIに画像を送り、プロンプトで座標のJSON形式を指示することで、専用の Object Detection API なしに物体検出を擬似的に実現できる。

プロンプト例:

Detect the 2D bounding boxes of all business cards in this scanned image.
Return a JSON array where each entry has "box_2d" as [y_min, x_min, y_max, x_max] with values normalized to 0-1000.

座標形式:

• [y_min, x_min, y_max, x_max] で 0〜1000 に正規化された値
• ピクセル座標への変換: left = (x_min / 1000) × 画像幅(px)

注意点:

• structuredOutputs は使わない（JSONスキーマ定義なしのため）
• thinkingBudget: 0 で推論を無効化すると速度が上がる（座標検出に推論は不要）
• レスポンスが [[y,x,y,x]] のようにネストされた配列で返ることがある → 展開処理が必要
• 9枚程度の物体なら安定して検出可能。18枚など多数になると検出漏れが発生する
• temperature: 0.1 で安定した出力を得る

活用パターン: 名刺一括取り込みでは「バウンディングボックス検出 → sharp で切り出し → 切り出し画像ごとに個別読み取り」の切り出し先行型パイプラインが、紐づけの信頼性と精度の面で優れている。