> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/german/function-blocks/ai-blocks/background-removal-rmbg-1.4.md).

# Background Removal (RMBG-1.4)

## 📥 Eingänge <a href="#inputs" id="inputs"></a>

`Image` Ein RGB- oder BGR-Bild zur Verarbeitung.

## 📤 Ausgänge <a href="#outputs" id="outputs"></a>

`Cutout` Vordergrund-Cutout-Bild (Hintergrund entfernt). Dies kann je nach gewählter Option entweder RGB auf schwarzem Hintergrund oder RGBA mit Alpha-Kanal sein.

`Mask` Binäre Maskenbild, bei dem Vordergrundpixel den Wert 255 und Hintergrundpixel den Wert 0 haben.

## 🕹️ Steuerungen <a href="#controls" id="controls"></a>

`Keep RGB on black` Wenn deaktiviert (Standard) liefert der Block ein RGB-Cutout auf schwarzem Hintergrund sowie die Maske. Wenn aktiviert, liefert der Block ein RGBA-Bild (Alpha-Kanal) sowie die Maske.

## 🎨 Funktionen <a href="#features" id="features"></a>

* Erzeugt eine binäre Segmentierungsmaske, die Vordergrund vom Hintergrund trennt.
* Option, entweder RGBA (Alpha) oder ein RGB-Cutout auf schwarzem Hintergrund zurückzugeben, für flexible Weiterverarbeitung.
* Modell-Dateien werden beim ersten Ausführen des Blocks automatisch heruntergeladen (Internetverbindung erforderlich).
* Funktioniert mit Einzelbildern von Kamera, Datei oder Stream.

## 📊 Ablauf <a href="#evaluation" id="evaluation"></a>

Beim Ausführen verarbeitet der Block das eingehende Bild mit dem Segmentierungsmodell, um eine binäre Maske zu erzeugen. Die Maske wird verwendet, um ein Vordergrund-Cutout zu erstellen, das zusammen mit der Maske über die Ausgänge ausgegeben wird. Die Modellinitialisierung erfolgt automatisch (der erste Lauf kann aufgrund des Modell-Downloads länger dauern).

## 📝 Nutzungsempfehlungen <a href="#usage" id="usage"></a>

* Versorgen Sie diesen Block mit einem klaren RGB-/BGR-Bild aus einer beliebigen Bildquelle wie `Load Image`, `Camera USB`, `Stream Reader` oder einem gespeicherten Frame.
* Verwenden Sie die Option `Keep RGB on black` je nachdem, ob Sie einen Alpha-Kanal oder ein einfaches RGB-Cutout benötigen.
* Kombinieren Sie die Ausgänge mit anderen Blöcken, um Ergebnisse zu verfeinern oder Ausgaben zu speichern.

## 💡 Tipps und Tricks <a href="#tips-and-tricks" id="tips-and-tricks"></a>

* Verbessern Sie die Geschwindigkeit mit kleineren Eingaben: Verwenden Sie `Image Resizer` vor diesem Block, wenn Ihr Eingabebild sehr groß ist.
* Zuschneiden auf den interessierenden Bereich mit `Image ROI` oder `Image ROI Select`, um die Verarbeitungszeit zu reduzieren und die Maskenqualität zu verbessern.
* Zur visuellen Überprüfung senden Sie sowohl `Cutout` als auch `Mask` an `Show Image` oder platzieren Sie sie nebeneinander mit `Collage Images`.
* Speichern Sie Ergebnisse automatisch mit `Image Logger`, `Image Write` oder `Multi Image Write`, um Cutouts und Masken zu archivieren.
* Benötigen Sie noch höhere Segmentierungsqualität für schwierige Kanten, probieren Sie den alternativen Block `Background Removal (BiRefNet)` (verfügbar in der AI Applications-Liste).
* Verwenden Sie `Apply Mask`, wenn Sie das Originalbild und die Maske auf benutzerdefinierte Weise kombinieren möchten (z. B. um einen Teil des Hintergrunds beizubehalten oder maskierte Bereiche zu visualisieren).

## 🛠️ Fehlersuche <a href="#troubleshooting" id="troubleshooting"></a>

* Wenn der Block fehlende Pakete meldet, installieren Sie die erforderlichen Bibliotheken (z. B. `transformers`, `pillow`) auf Ihrem System und führen Sie den Block erneut aus.
* Der erste Lauf kann langsamer sein aufgrund des automatischen Modell-Downloads — spätere Läufe sind schneller.
* Wenn Ergebnisse verstreute Hintergrundfragmente enthalten, versuchen Sie das Bild mit `Image ROI` zuzuschneiden oder die Eingabequalität (bessere Beleuchtung / Kontrast) zu erhöhen.
* Bei sehr verrauschten Bildern wenden Sie eine leichte `Blur`- oder eine Farbfilterung (z. B. `HSV Filter`) vor der Hintergrundentfernung an, um die Segmentierungsstabilität zu verbessern.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.augelab.com/german/function-blocks/ai-blocks/background-removal-rmbg-1.4.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.