> 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/funktionsblocke/blocks-reference/ai-blocks/background-removal-birefnet.md).

# Background Removal (BiRefNet)

Dieser Funktionsblock führt eine hochwertige Vordergrund-/Hintergrund-Segmentierung mithilfe des BiRefNet-Modells durch. Er erzeugt eine saubere binäre Maske für Vordergrundbereiche und kann zusätzlich eine grüne Overlay-Visualisierung auf dem Originalbild erzeugen, um die Ergebnisse schnell zu überprüfen.

## 📥 Eingangsanschlüsse

`Image`\
Geben Sie ein RGB-/BGR-Bild an. Der Block akzeptiert Bilder beliebiger Größe (größere Bilder können intern zur Verarbeitung skaliert werden).

## 📤 Ausgangsanschlüsse

`Overlay`\
Visuelle Darstellung mit segmentiertem Vordergrund als grünes Overlay auf dem Originalbild.

`Mask`\
Binäre Segmentierungsmaske, bei der Vordergrundpixel weiß (255) und Hintergrundpixel schwarz (0) sind.

## 🕹️ Steuerung

Dieser Block arbeitet mit automatischen Einstellungen und bietet keine manuellen Widgets innerhalb des Blocks. Um das Verhalten zu beeinflussen, verwenden Sie Hilfsblöcke davor oder danach, zum Beispiel:

`Image Resize` — verkleinert das Eingangsbild vor der Verarbeitung, um die Geschwindigkeit zu erhöhen und den Speicherbedarf zu senken\
`Image ROI` — zuschneiden auf einen Bereich von Interesse, damit sich das Modell auf einen kleineren Bereich konzentriert\
`Apply Mask` — kombiniert Originalbild und Maske nach der Segmentierung auf benutzerdefinierte Weise\
`Show Image` — Vorschau von `Overlay` oder `Mask` in einem größeren Betrachter\
`Image Logger` / `Image Write` — speichert Masken oder Overlays zur Dokumentation

## ⚙️ Funktionsweise

* Beim ersten Einsatz lädt der Block das Segmentierungsmodell. Dabei können Modellfiles heruntergeladen werden, weshalb der erste Lauf länger dauern kann.
* Wenn eine GPU verfügbar ist, wird diese zur Beschleunigung verwendet; ansonsten läuft die Verarbeitung auf der CPU.
* Für jedes Eingabebild liefert der Block eine binäre Maske und ein farbiges Overlay (grüne Tönung in segmentierten Bereichen).
* Große Eingabebilder erhöhen Verarbeitungszeit und Speicherbedarf; daher empfiehlt sich ein Vor-Resize für schnellere Ergebnisse.

## 🎯 Funktionen

* Hochwertige Segmentierung, die komplexe Kanten und feine Details handhabt.
* Liefert sowohl eine binäre Maske für Weiterverarbeitung als auch ein visuelles Overlay zur schnellen Kontrolle.
* Automatische Geräteauswahl (GPU, falls verfügbar).
* Funktioniert mit Standardbildquellen wie Kameras, Dateien oder Ausgaben vorheriger Verarbeitungsblöcke.

## 📝 Nutzungshinweise

1. Geben Sie ein Bild an die Eingangsbuchse `Image`.
2. Nutzen Sie die zurückgegebene `Mask` für nachgelagerte Verarbeitung (Messungen, ROI-Operationen, Compositing).
3. Verwenden Sie das `Overlay`, um die Segmentierungsqualität zu prüfen oder Ergebnisse anschaulich darzustellen.

Vorgeschlagene Abläufe:

* Für schnellere Läufe `Image Resize` vor diesen Block anschließen.
* Um nur einen Teil der Szene zu segmentieren, zuerst `Image ROI` verwenden.
* Zum Speichern der Ergebnisse `Image Write` oder `Image Logger` an die Ausgänge anschließen.
* Zur Entwicklungsvorschau `Show Image` an `Overlay` oder `Mask` anschließen.

## 💡 Tipps und Tricks

* Wenn Sie eine leichtere Alternative suchen, probieren Sie `Background Removal (RMBG-1.4)` — es verwendet ein anderes Modell und kann je nach Input schneller sein oder andere Ausschnitte liefern.
* Kleine Maskenartefakte können mit `Morphological Transformations` oder `Image Threshold` nach der Segmentierung bereinigt werden.
* Wenn Masken verrauscht aussehen, versuchen Sie vor der Segmentierung `Denoising` oder `Blur`, um störende Kanten zu reduzieren.
* Um hochauflösende Bilder zu verarbeiten und den Speicher zu schonen: zunächst mit `Image Resizer` herunter skalieren, segmentieren, und bei Bedarf mit `Image Resize` oder `Super Resolution` wieder hochskalieren.
* Kombinieren Sie diesen Block mit Detektoren (z. B. Ergebnis eines Objekt-Detectors verwenden, mit `Image ROI` den Bereich zuschneiden und dann diesen Block pro Objekt laufen lassen).

## 🛠️ Fehlersuche

* Modellstart schlägt fehl oder ist beim ersten Einsatz sehr langsam: Der Block lädt möglicherweise Modellfiles und initialisiert — warten Sie, bis Download und Initialisierung abgeschlossen sind.
* Out-of-memory-Fehler auf der GPU: Reduzieren Sie die Eingangsbildgröße mit `Image Resize` oder geben Sie die GPU frei, sodass auf der CPU ausgeführt werden kann.
* Maske hat Löcher oder Sprenkel: Wenden Sie `Morphological Transformations` (fill / open / close) an oder erhöhen Sie die Glättung mit `Blur` vor der Segmentierung.
* Vordergrund fehlt an dünnen Strukturen: Probieren Sie alternativ den Block `Background Removal (RMBG-1.4)` zum Vergleich aus.

Hinweis: Erforderliche Bibliotheken und Modelle werden außerhalb des Blocks verwaltet; die Installation der entsprechenden Pakete und der Zugriff auf Modell-Downloads sind notwendig, damit dieser Block funktioniert.