> 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-rmbg-1.4.md).

# Background Removal (RMBG-1.4)

Entfernt den Hintergrund aus einem RGB/BGR-Bild mithilfe eines vortrainierten RMBG-Modells. Der Block liefert einen ausgeschnittenen Vordergrund und eine binäre Maske, die Vordergrund (255) vom Hintergrund (0) trennt. Das Modell wird beim ersten Gebrauch automatisch heruntergeladen.

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

* Eingangs-Socket `Image` RGB/BGR-Bild zur Verarbeitung.

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

* Ausgangs-Socket `Cutout` Bild mit entferntem Hintergrund (RGB auf schwarzem Hintergrund oder RGBA je nach Einstellung).
* Ausgangs-Socket `Mask` Binäre Maskenbild (0 = Hintergrund, 255 = Vordergrund).

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

* `Keep RGB on black` Checkbox Steuert das Ausgabeformat. Wenn deaktiviert, liefert der Block einen RGB-Cutout auf schwarzem Hintergrund plus die binäre Maske. Wenn aktiviert, liefert der Block einen RGBA-Cutout mit Alphakanal plus die binäre Maske.

(wie die Steuerung die Ausgaben beeinflusst ist oben im Abschnitt Outputs dargestellt)

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

* Hochwertige Hintergrundentfernung mit einem modernen, vortrainierten Segmentierungsmodell.
* Erzeugt sowohl einen visuellen Cutout als auch eine saubere binäre Maske für die Weiterverarbeitung.
* Modell wird beim ersten Lauf automatisch heruntergeladen, sodass kein manuelles Modellhandling nötig ist.
* GPU-aware: Verwendet verfügbare GPU-Ressourcen für schnellere Verarbeitung, wenn vorhanden.

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

1. Geben Sie ein RGB/BGR-Bild an den Eingangs-Socket `Image`.
2. Schalten Sie `Keep RGB on black` je nachdem, ob Sie einen RGB-Cutout auf schwarzem Hintergrund oder ein RGBA-Bild mit Alphakanal wünschen.
3. Lesen Sie die Ergebnisse von den Ausgangs-Sockets `Cutout` und `Mask` zur Visualisierung oder weiteren Verarbeitung.

## 📊 Was der Block beim Ausführen macht <a href="#evaluation" id="evaluation"></a>

* Lädt das vortrainierte Background-Removal-Modell (beim ersten Lauf werden ggf. Dateien heruntergeladen).
* Verarbeitet das Eingangsbild und gibt ein bereinigtes Vordergrundbild und eine binäre Maske aus.
* Falls eine kompatible GPU verfügbar ist, kann die Verarbeitung beschleunigt werden.

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

* Verwenden Sie `Show Image`, um die Ausgänge `Cutout` und `Mask` beim Einstellen der Optionen zu überprüfen.
* Wenn Sie nur eine visuelle Überlagerung benötigen, verbinden Sie den Ausgang `Mask` mit `Apply Mask`, um die Maske mit anderen Bildern zu kombinieren.
* Vorverarbeiten Sie das Eingabebild mit `Image ROI` oder `Image ROI Select`, um die Entfernung nur auf einen interessierenden Bereich zu beschränken — das reduziert Verarbeitungszeit und vermeidet unerwünschte Bereiche.
* Reinigen Sie verrauschte Eingaben mit `Blur` oder konvertieren Sie in einen homogeneren Farbraum mit `HSV Filter`, bevor Sie die Hintergrundentfernung anwenden, um bessere Masken zu erzielen.
* Wenn Sie ein größeres Ergebnis nach dem Cutout benötigen, führen Sie `Image Resize` oder `Super Resolution` auf dem Ausgang `Cutout` aus.
* Für eine alternative Segmentierungsansatz vergleichen Sie die Ergebnisse mit `Background Removal (BiRefNet)` und wählen die Methode, die für Ihre Bilder bessere Kanten liefert.
* Speichern Sie Beispiele und Logs, indem Sie Ausgänge an `Image Logger` oder `Image Write` anschließen, um Datensätze zu erstellen und zu überprüfen.

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

* Falls der Block fehlende Bibliotheken meldet, stellen Sie sicher, dass die erforderlichen Pakete auf dem System verfügbar sind (das Modell nutzt gängige ML-Bibliotheken und Bildunterstützung).
* Wenn Ergebnisse Löcher oder fehlende Vordergrundteile enthalten, versuchen Sie eine Vorverarbeitung mit `Blur` oder schneiden Sie das Bild mit `Image ROI` zu, um den Algorithmus auf das Motiv zu fokussieren.
* Wenn die Verarbeitung langsam ist, prüfen Sie, ob eine GPU verfügbar und in Benutzung ist; andernfalls verwenden Sie kleinere Bilder oder fügen Sie vor diesem Block `Image Resize` hinzu.
* Bei sehr feinen oder komplexen Kanten versuchen Sie `Background Removal (BiRefNet)`, um die Kantendarstellung zu vergleichen.