Nano Banana 2: Python ile Tam Kılavuz

Google, görsel üretim modelinin ikinci sürümü Nano Banana 2’yi yeni yayınladı. Nano Banana ilk çıktığında, kısa sürede en iyi ve en hızlı yapay zeka görsel üretim modeli haline gelerek büyük ses getirmişti.

Bu yazıda yeni modellerini derinlemesine inceliyor, yeni özelliklerini keşfediyor ve API aracılığıyla Python ile nasıl kullanacağınızı öğreniyoruz.

Genel olarak görsel üretimle ilgileniyorsanız, aşağıdaki modellere ilişkin rehberlerimize göz atmanızı öneririm:

• Seedream 4.5
• FLUX.2 Klein
• Qwen Image
• ChatGPT Images 2.0

Nano Banana 2 Nedir?

Gemini 3.1 Flash Image olarak da bilinen Nano Banana 2, Google DeepMind’in son teknoloji görsel üretim ve düzenleme yapay zekâ modelidir. Nano Banana Pro’nun ileri düzey dünya bilgisi, kalite ve akıl yürütmesini Gemini Flash’in ışık hızındaki performansıyla birleştirir; böylece aynı iş akışında yüksek sadakatli üretim ve hızlı yineleme mümkün olur.

Temel yetenekler

İşte Nano Banana 2’nin öne çıkan özelliklerine genel bir bakış:

• Geliştirilmiş doğruluk: Üretimleri Gemini’nin gerçek dünya bilgisi ve gerçek zamanlı web görsel sinyalleriyle temellendirerek belirli konuları daha isabetli işler. Bilgi grafikleri, diyagramlar ve veri görselleştirmeleri için idealdir.
• Gelişmiş tipografi: Görsellerin içinde okunabilir, doğru metin üretir ve metni görselin içinde doğrudan yerelleştirme ve çeviri desteği sunar.
• Yaratıcı kontrol: Anlatılar ve storyboard’lar için konu tutarlılığı iyileştirildi. Model, tek bir iş akışında beş karaktere kadar benzerliği ve 14 nesneye kadar sadakati korur.
• Güvenilirlik: Karmaşık ve nüanslı istemleri daha iyi yakalamak için talimatlara hassas uyum.
• Yüksek çözünürlük: Esnek en-boy oranları ve 512 pikselden 4K’ya kadar çözünürlüklerle üretime hazır özellikler.
• Görsel kalite: Flash hızında daha zengin dokular, canlı ışıklandırma ve daha keskin ayrıntılarla yükseltilmiş görsel sadakat.

Nano Banana’a yeniyseniz, önce Nano Banana Pro’nun ilk sürümüne dair önceki yazımızı okumanızı önerebilirim.

Nano Banana 2’ye Nasıl Erişilir

Bu yazıda, Nano Banana 2’yi API’leri üzerinden Python ile nasıl kullanacağımızı ele alıyoruz. Ancak yeni modeller tüm Gemini ekosistemi genelinde kullanılabilir:

• Gemini uygulaması: Nano Banana 2, Hızlı, Düşünen ve Pro modlarının genelindeki varsayılan görsel modeldir. Google AI Pro ve Ultra aboneleri, üç nokta menüsünden Nano Banana Pro ile yeniden üretim yaparak olgusal doğruluğun en kritik olduğu görevlerde uzman seçeneğe erişebilir.
• Arama: Google uygulamasında ve mobil/masaüstü tarayıcılarda Yapay Zekâ Modu ve Lens’te kullanılabilir; kapsama alanı genişletildi (141 yeni ülke/bölge ve sekiz ek dil dahil).
• AI Studio + Gemini API: Önizlemede kullanılabilir (bkz. fiyatlandırma). Ayrıca Google Antigravity’de de mevcuttur.
• Google Cloud: Vertex AI içindeki Gemini API üzerinden önizleme aşamasında.
• Flow: Tüm Flow kullanıcıları için artık varsayılan görsel üretim modeli.
• Google Ads: Kampanya oluşturma sırasında yaratıcı önerileri destekler.

API fiyatlandırması

Bu yazıda, Nano Banana 2’yi API ile kullanacağız; yani aboneliğe gerek yok, bunun yerine ürettiğimiz her görsel için ödeme yapacağız.

Ben resmî fiyatlandırma tablosunu biraz anlaşılır bulmadım. Genelde yapay zekâ görsel modelleri görsel başına sabit bir fiyat belirtir.

Basitleştirmek için, görsel boyutuna bağlı beklenen fiyatı tahmin eden hesaplamalar yaptım. Bunların kesin rakamlar olmadığını, az da olsa değişebileceğini unutmayın.

Nano Banana 2, daha doğru sonuçlar üretmek için web aramaları yapabilir. Bu harika bir özellik, ancak aramaların ek maliyeti olduğu için fiyatlandırmaya da yansır.

Google Arama ile temellendirme kullanılırken ayda ilk 5.000 Google Arama sorgusu ücretsizdir. Sonrasında 1.000 Google Arama sorgusu için 14 $ ücret alınır.

İlk Nano Banana 2 Görselimizi Üretmek

Daha fazla uzatmadan, Nano Banana 2 ile başlayalım.

API anahtarını oluşturma

API’yi kullanmak için önce bir API anahtarı oluşturmamız gerekir. Bunu yapmak için önce Google AI Studio’ya oturum açın. Ardından sağ üst köşedeki Create API Key düğmesine tıklayın.

API anahtarı bir Google Cloud projesine bağlı olmalıdır. Google AI Studio, API anahtarı oluşturma sürecinde doğrudan proje oluşturmaya izin vererek bunu kolaylaştırır.

API anahtarını kullanmak için bağlı olduğu Google Cloud projesinde faturalandırmanın etkin olması gerekir. Az önce yeni bir proje oluşturduysanız, API anahtarının yanındaki Set up billing düğmesine tıklayarak bunu etkinleştirmeniz gerekir.

Son olarak API anahtarını kopyalayıp aşağıdaki biçimde .env adlı bir dosyaya yapıştırın:

GEMINI_API_KEY=<paste_key_here>

Bu .env dosyası, Python betiklerini yazacağımız klasörle aynı yerde oluşturulmalıdır.

Ortam kurulumu

Sırada Gemini API ile etkileşim kurmak için gereken Python bağımlılıklarını yüklemek var. Bunun için şu komutu çalıştırın:

pip install google-genai python-dotenv pillow

Bu komut aşağıdaki paketleri kurar:

• google-genai: Resmî Google üretken yapay zekâ paketi. Gemini API ile etkileşim kurmak için kolayca istemci oluşturmakta kullanılır.

• python-dotenv: .env dosyasından API anahtarını yüklemek için kullanılan yardımcı paket.

• pillow: Nano Banana 2’ye girdi olarak sağlamak üzere görselleri kolayca yüklemeye yarayan bir görsel kütüphanesi.

Görsel üretme

Bir görsel üretmek için tam Python kodu aşağıdadır:

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time

# Load API key
load_dotenv()
client = genai.Client()

prompt = """
Lego version of the empire state building being built.
"""

# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="16:9",
            image_size="4K",
        ),
    )
)

# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Sonuç şöyle:

Desteklenen en‑boy oranları ve çözünürlük

Yukarıdaki istekte, en‑boy oranını aspect_ratio parametresiyle, çözünürlüğü ise image_size parametresiyle belirttik.

Nano Banana 2, 512 pikselden 4K’ya kadar geniş bir en‑boy oranı ve çözünürlük aralığını destekler. Desteklenen değerlerin tam listesi şöyledir:

• aspect_ratio: "1:1","1:4","1:8","2:3","3:2","3:4","4:1","4:3","4:5","5:4","8:1","9:16","16:9","21:9"

• image_size (çözünürlük): "512px", "1K", "2K", "4K"

Nano Banana 2 ile Uygulamalı Çalışma

Artık her şeyi kurup ilk görselimizi başarıyla ürettiğimize göre, duyurulan özellikleri test etme zamanı.

Konu tutarlılığıyla görsel düzenleme

PIL ( pillow paketinden kurulur) ile görselleri yükleyip contents listesine ekleyerek modele görsel sağlayabiliriz.

Nano Banana 2’nin temel özelliklerinden biri, görselleri üretirken konuları koruma yeteneğidir. Önceki Nano Banana sürümü veya GPT-Image gibi diğer modelleri denerken, gerçek hayattaki konulara dayalı görseller üretmenin zor olduğunu, modelin konuların görünümünü değiştirmeye meylettiğini sıkça gözlemledim.

Belgelerinde, modelin toplamda 14 referans olacak şekilde beş karakter ve 10 nesneye kadar destek verebildiği belirtiliyor. Karakter ve nesneleri açıkça tanımlamıyorlar; ancak sezgisel olarak, modelin bir sahnede en fazla dört ana konuyu ve bu konuların etkileşime girdiği 10 ikincil nesneyi yerleştirecek şekilde eğitildiği anlaşılıyor.

Model, karakter görselleri ve nesneleri için özel parametreler sunmuyor. Bunun yerine bu tanımlamalar istemde yapılıyor. İstemlerde bu referansların nasıl kurulduğunu anlamak için bazı demolarının kaynak kodunu inceledim.

Bulduğum şablon şu şekildeydi:

<subject_name> (<Character #number>) = Image <#index>

Örneğin, "Alice" ve "Bob" adlı iki karakterle şu şekilde olurdu:

Subjects: Alice (Character 1) = Image 0, Bob (Character 2) = Image 1

Aşağıda, bir köpek ve bir kediyi birlikte poz verdirmenin tam bir kod örneği yer alıyor.

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time
from PIL import Image
# Load API key
load_dotenv()
client = genai.Client()
prompt = """
Goldie and Wiskers are posing together.
Subjects: Goldie (Character 1) = Image 0, Wiskers (Character 2) = Image 1
Maintain strict subject consistency for characters.
Adjust the subject composition/pose as appropriate for the scene.
"""
dog = Image.open("dog.png")
cat = Image.open("cat.png")
# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt, dog, cat],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="9:16",
        ),
    )
)
# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Nesneleri dahil etme

Yukarıda belirtildiği gibi, bu şablon resmî belgelerin parçası değil. Muhtemelen model, istem ve görsellerden her bir kısmı anlayabiliyor. Ancak, tutarlı sonuçlar istediğimiz gerçek bir uygulama geliştirirken, istemde mümkün olduğunca net ve tutarlı olmak en iyi uygulamadır; bu nedenle bu şablonu kullanmanızı öneririm.

Örneklerinde, modelin görselin bir ana konu değil de bir nesneye ait olduğunu bilmesi için şablonu "Character" yerine "Object" yazarak nesne referanslarını kapsayacak şekilde genişletiyorlar.

Bunu göstermek için, iki nesne referansı vererek köpeğe belirli bir güneş gözlüğü, kediye ise bir şapka takalım. Kullandığım istem şu şekildeydi:

Goldie and Wiskers are posing together. Goldie is wearing the Glasses, and Wiskers is wearing the Hat.
Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1, Glasses (Object 1) = Image 3, Hat (Object 2) = Image 4.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

Sonuç şöyle:

Arama ile temellendirilmiş görsel üretimi

Nano Banana 2, aramaya dayalı temellendirme yaparak sonuçların daha doğru olmasını sağlar. Bu, özellikle bir konum veya belirli bir hayvan türü gibi gerçeklikle tutarlı olması gereken görselleri üretirken faydalıdır.

Tayvan’da yaşıyorum ve yakın zamanda bir yürüyüş etkinliği düzenlendi; organizatör, yürüyüş yerini göstermek için Nano Banana ile üretilmiş bir görsel kullandı. Ancak görsel hiç doğru değildi ve gerçek yerden tamamen farklı göründüğü için insanlar hayal kırıklığına uğradı.

Bu durum, Nano Banana 2’nin bunu ne kadar iyi yapabildiğini test etme merakımı cezbetti.

Üretim isteğinde tools parametresini kullanarak hem web aramasını hem de görsel aramayı etkinleştirebiliriz.

Tam bir örnek şöyle:

from google import genai
from dotenv import load_dotenv
from google.genai import types
import time
# Load API key
load_dotenv()
client = genai.Client()
prompt = """
Create an image of the Yinhe Cave (銀河洞) in Taiwan at golden hour.
- Use Image Search to search for an image of the specified place.
- Keep the location and the view as close to the real reference as possible.
"""
# Make API request
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[prompt],
    config=types.GenerateContentConfig(
        response_modalities=["Image"],
        image_config=types.ImageConfig(
            aspect_ratio="9:16",
        ),
        tools=[
            types.Tool(google_search=types.GoogleSearch(
                search_types=types.SearchTypes(
                    web_search=types.WebSearch(), # Enables web search
                    image_search=types.ImageSearch() # Enables image search
                )
            ))
        ]
        
    )
)
# Save the image and display output text if any
for part in response.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = part.as_image()
        image.save(f"image_{int(time.time())}.png")

Aşağıda sonuçları gösteriyoruz. İlk olarak Google Fotoğraflar’dan gerçek görsel, ardından arama kullanılarak Nano Banana 2 ile üretilen görsel ve son olarak arama kullanılmadan üretilen görsel. Aramanın sonuçları oldukça isabetli kıldığı görülüyor.

Gemini ekibi, bu fikirden yola çıkarak belirli yerleri bir pencereden gösteren küçük bir uygulama olan Window View adlı bir demo yaptı; bu, modelin gerçek dünyayı anlama becerisinin iyi bir vitrinidir.

Konu tutarlılığını dünya anlayışıyla birleştirme

Model gerçek dünya konumlarını yüksek hassasiyetle üretebildiğine göre, belirli konuları gerçek mekânlara yerleştirebiliriz.

Goldie ve Wiskers’ı Tayvan’da bir konuma yerleştirmeyi deneyelim. Dünya çapında çok ünlü olmayan yerlerle başa çıkıp çıkamayacağını görmek için bu konumu seçtim.

Kullandığım istem şuydu:

Goldie and Wiskers are traveling across the Sanxiantai Arch Bridge in Taiwan.
Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1
Use image search to find visual references of the location.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

İstemin, modele açıkça görsel arama yapmasını söylediğine dikkat edin. Araçları kullanırken, istemde modeli bu araçları kullanmaya açıkça yönlendirmenin daha iyi sonuç verdiğini gördüm.

İşte iki karakterimizin birlikte seyahat ettiği bir görsel:

Bir adım daha ileri giderek konumu enlem ve boylam vererek belirtmeyi denedim ve işe yaradı!

Goldie and Wiskers are at the location with a latitude of 17.0621186 and a longitude of -96.7255102.

Subjects: Goldie (Pet 1) = Image 0, Wiskers (Pet 2) = Image 1

Use image search to find visual references of the location.
Maintain strict subject consistency for characters and objects.
Adjust the subject composition/pose as appropriate for the scene.

Konum enlem-boylam olarak birebir aynı olmasa bile, görseldeki unsurlar o konumda gördüklerimizle örtüşüyor; bence oldukça etkileyici.

Metin yerelleştirme

Nano Banana 2, Flash tabanlı önceki görsel modellerin üzerine çıkarak daha tutarlı ve güvenilir metin oluşturma sunar.

Artık metin, çevresindeki grafikler kadar keskin ve doğru görünebilir. Nano Banana 2 ayrıca görsel içi yerelleştirmeyi mümkün kılar; böylece üretilen görselin içinde metni doğrudan birden çok dile oluşturabilir veya çevirebilirsiniz.

Yerelleştirmeyi, "Beyond Reality" adlı kurgusal bir sanal gerçeklik başlığı markası için poster üreterek test ettim. Sonra da basitçe şu tür bir istem kullandım:

Change the language of the poster to Japanese.

Aşağıda poster metninin dilini Fransızcaya ve ardından Japoncaya çevirdikten sonraki sonuçlar yer alıyor:

Modelin, istemde belirtilmemiş olmasına rağmen marka adını çevirmemesi dikkat çekici.

Sohbet modu

İncelediğimiz son özellik sohbet modudur. Önceki örnekler etkileşimli değil: API’ye bir istek gönderiyor ve bir sonuç alıyoruz. Bu sonuç üzerinde yineleme yapmak istersek, o görseli ve istenen değişiklikleri içeren yeni bir istek oluşturmamız gerekiyor.

Daha iyi bir yol sohbet modunu kullanmaktır. Sohbet modunda client.chats.create() işleviyle bir sohbet oluşturur, ardından client.send_message() işleviyle mesajları karşılıklı göndeririz. Bunu bir sohbet düzenleme iş akışı uygulamak için kullanabiliriz:

1. Kullanıcı bir istem gönderir
2. Nano Banana 2, isteme ve önceki görsele (varsa) göre bir görsel üretir
3. Görsel kullanıcıya gösterilir
4. Kullanıcı bir düzenleme istemi gönderir ve 2. adıma geri dönülür.

Bu akışı uygulayan tam betik aşağıdadır:

from google import genai
from google.genai import types
from dotenv import load_dotenv
from PIL import Image
import time
load_dotenv()
client = genai.Client()
# Initialize the chat session
chat = client.chats.create(
    model="gemini-3.1-flash-image-preview",
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        tools=[{"google_search": {}}]
    )
)
# We keep track of the latest image object to send back as context
latest_image = None
while True:
    user_input = input("\nPrompt: ")
if user_input.lower() in ['quit', 'exit', 'q']:
        break
# Construct the message content
    # If we have a previous image, we include it so the model knows what to edit
    content = [user_input]
    if latest_image:
        content.append(latest_image)
    try:
        response = chat.send_message(content)
        
        for part in response.parts:
            # Handle Text Response
            if part.text:
                print(f"\nAI: {part.text}")
            
            elif part.inline_data is not None:
                image = part.as_image()
                filename = f"image_{int(time.time())}.png"
                image.save(filename)
                print("Saved image", filename)
                latest_image = Image.open(filename)
                latest_image.show()
                    
    except Exception as e:
        print(f"An error occurred: {e}")
print("Session ended.")

Bu betiği çalıştırdığımızda, görseli doğrudan terminalde yinelemeli olarak şu şekilde düzenleyebiliriz:

Bu etkileşimden elde edilen sonuçlar şöyle:

Nano Banana vs. Nano Banana 2

Aşağıdaki tablo, Nano Banana modelleri arasındaki temel farkları vurgular. Daha önce belirtildiği gibi, yeni sürüm doğruluk, tutarlılık ve çözünürlükte önemli iyileştirmeler getirirken ilk sürümden yalnızca biraz daha yavaş çalışır.  

Tablo aslında verileri vererek Nano Banana 2 tarafından üretildi.

Nano Banana Pro ne zaman kullanılmalı

Nano Banana 2 yeni standart olsa da, Nano Banana Pro hâlâ “Düşünen” ve uzmanlık gerektiren görevler için kullanılabilir. Şu durumlarda Pro’yu tercih edebilirsiniz:

• Aşırı gerçekçilik: Pro, ışık fiziği ve cilt dokularında hâlâ az da olsa üstün.
• Karmaşık akıl yürütme: Pro, mekânsal talimatları “düşünerek” uygulamada daha iyidir (ör. "soldan ikinci sütunun arkasındaki kişi").

Sonuç

Nano Banana 2, yinelemeler arasındaki “sapmayı” ciddi biçimde azaltarak gerçek bir halef gibi hissettiriyor; bir görünümü kilitleyip sahneler, formatlar ve diller boyunca güvenle taşıyabiliyorsunuz. 

Daha güçlü konu kalıcılığı, daha sıkı talimat takibi, arama‑temelli gerçekçilik ve yeniden çizmek yerine ince ayar yapan sohbet düzenlemeleri sayesinde, varyasyonları keşfederken kimliği, yerleşimi ve stili korumak çok daha kolay.

Üretim düzeyinde metin oluşturma, marka unsurlarının tutarlı kalmasına yardımcı olur ve esnek en‑boy oranları kampanyayı afiş, poster ve mobil hikâyelere ölçeklemeyi sorunsuz kılar. Storyboard, ürün çekimi veya çok lokasyonlu yaratıcı işler yapan ekipler için hızdan ya da sadakatten ödün vermeden tekrarlanabilirlik sunar.

Nano Banana 2, Nano Banana ile Nano Banana Pro arasındaki boşluğu net biçimde kapatıyor: hızı, Nano Banana’nın neredeyse anlık Flash temposuna çok yakın; buna karşın yetenekleri, görsel sadakati, hassas talimat takibi, konu tutarlılığı ve arama‑temelli gerçekçilik çoğu zaman Nano Banana Pro’ya oldukça yaklaşıyor.

Nano Banana 2 gibi araçların arkasındaki kavramlar hakkında daha fazla bilgi edinmek isterseniz, Generative AI Concepts kursumuzu öneririm.