> 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/u2net-segmentation.md).

# U2Net Segmentation

Dieser Funktionsblock führt Salient-Object-Erkennung und Hintergrundentfernung durch. Verwende ihn, um eine saubere Vordergrund-Maske zu erhalten und ein segmentiertes Bild zu erzeugen, bei dem der Hintergrund entfernt wurde.

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

`Image Any` Das Eingangsbild, das analysiert werden soll (Farbe oder Graustufen). Verbinde hier die Bildquelle, die du segmentieren möchtest.

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

`Image Gray` Graustufige Wahrscheinlichkeitskarte / Maske, die die Vordergrund-Wahrscheinlichkeit anzeigt.

`Image Any` Segmentiertes Bild, bei dem der Hintergrund mit Hilfe der Maske entfernt wurde.

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

`Model` Wähle zwischen verfügbaren U2Net-Varianten (z. B. `U2Net (High Quality)` oder `U2NetP (Fast)`). Höhere Qualität liefert bessere Masken, das schnelle Modell ist leistungsfähiger.

`Input Size` Größe, auf die das Modell-Input skaliert wird. Kleinere Werte erhöhen die Geschwindigkeit; größere Werte verbessern Details auf Kosten der Leistung.

`Threshold` Steuert die Binarisierung der Wahrscheinlichkeitskarte zur Erzeugung der endgültigen Maske. Ein höherer Wert macht die Maske strenger (weniger Vordergrundpixel).

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

* Extraktion des Vordergrunds mit einer weichen Wahrscheinlichkeitskarte und einer binären Maske.
* Segmentiertes Farb-Bild, das nur den erkannten Vordergrund behält.
* Zwei Modelloptionen zum Abwägen von Genauigkeit versus Geschwindigkeit.
* Einstellbare Eingabegröße und Threshold für feine Kontrolle.

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

1. Verbinde eine Bildquelle mit dem Eingang `Image Any`.
2. Wähle im `Model` die passende Variante (Qualität oder Geschwindigkeit).
3. Passe `Input Size` an, um Detailgrad und Verarbeitungszeit auszubalancieren.
4. Justiere `Threshold`, um die gewünschte binäre Maske zu erhalten (Vorschau mit `Show Image`).
5. Verwende `Image Gray`, wenn du die Maske für weitere Verarbeitung brauchst, und `Image Any` für Visualisierung oder Speicherung.

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

Beim Ausführen erzeugt dieser Block eine Wahrscheinlichkeitsmaske und ein segmentiertes Bild basierend auf dem gewählten Modell und den Schiebereglern. Nutze die Maskenausgabe, um nachfolgende Verarbeitungsblöcke zu speisen (z. B. Filter, Konturdetektion, ROI-Operationen).

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

* Um die Verarbeitung zu beschleunigen und dennoch akzeptable Qualität zu behalten, reduziere `Input Size` und verwende das Modell `U2NetP (Fast)`.
* Für bessere Masken bei verrauschten Bildern: führe das Eingangsbild vorher durch `Denoising` oder `Blur`.
* Ist das Objekt im Bild sehr klein, skaliere den ROI mit `Image Resize` hoch, bevor du segmentierst.
* Ergebnisse interaktiv ansehen, indem du das segmentierte Bild an `Show Image` anschließt.
* Automatisches Speichern: verbinde das segmentierte Bild mit `Image Logger` oder `Image Write`.
* Vergleiche bei Bedarf mit alternativen Hintergrundentfernungen wie `Background Removal (RMBG-1.4)` oder `Background Removal (BiRefNet)`, um die beste Methode für deine Szene zu finden.
* Verwende die binäre Maskenausgabe als Eingabe für ROI- oder Formanalyse-Blöcke (z. B. Kontur-Finder oder Messblöcke), um Objektgeometrien zu extrahieren.

(Hinweis: nützliche Begleitblöcke — `Show Image`, `Image Resize`, `Denoising`, `Image Logger`, `Image Write`, `Background Removal (RMBG-1.4)`, `Background Removal (BiRefNet)`)

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

* Wenn Masken unvollständig oder zu verrauscht wirken: erhöhe `Input Size` oder wende `Denoising`/`Blur` auf das Eingangsbild an.
* Ist die Maske zu großzügig (Hintergrund wird mit eingeschlossen): erhöhe `Threshold`, um die Maske zu verschärfen.
* Bei zu langsamer Verarbeitung: wechsle zum schnelleren Modell und/oder reduziere `Input Size`.
* Wenn keine Ausgabe erscheint: überprüfe, ob ein gültiges Bild mit `Image Any` verbunden ist und zeige es mit `Show Image` zur Vorschau an.


---

# 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/u2net-segmentation.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.