> 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/object-detection.md).

# Object Detection

Dieser Funktionsblock erkennt häufige Objekte in einem Bild und liefert sowohl visuelle als auch strukturierte Erkennungsergebnisse. Verwenden Sie ihn, um Objekte wie Personen, Fahrzeuge und viele COCO-Klassen zu lokalisieren und zu zählen. Es gibt einfache Einstellungen für Confidence und Klassenauswahl, sodass Sie die Erkennung an Ihr Szenario anpassen können.

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

* `Image Any` Dieses Eingangsbild wird analysiert.

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

* `Image Any` Bild mit annotierten Erkennungsboxen und Labels.
* `Object Count` Anzahl der erkannten Objekte.
* `Object Center Locations` Mittelpunkte der erkannten Objekte (mehrere möglich).
* `Object Sizes (w, h)` Breite/Höhe-Paare für jedes erkannte Objekt (mehrere möglich).
* `Object Class` Klassenbezeichnungen der erkannten Objekte (mehrere möglich).
* `Rectangles` Koordinaten der Bounding-Boxen für jede Erkennung (mehrere möglich).

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

* `Confidence Threshold %` Schieberegler zum Festlegen der Mindestvertrauenswürdigkeit für erkannte Objekte. Höher setzen reduziert False Positives; niedriger kann mehr Treffer, aber weniger sichere Ergebnisse liefern.
* `Select Detection Class` Dropdown zur Auswahl vordefinierter Klassen-Gruppen (z. B. All, Human, Animals, Indoor, Outdoor). Eine engere Auswahl beschleunigt und fokussiert die Erkennung.

## ⚙️ Funktionsweise <a href="#how-it-works" id="how-it-works"></a>

* Beim Ausführen verarbeitet der Block das eingehende Bild mit dem internen Detektor und wendet die gewählte Confidence- und Klassenfilterung an.
* Das annotierte Bild wird zurückgegeben, zusammen mit strukturierten Ausgaben: Anzahl, Mittelpunkte, Größen, Klassenbezeichnungen und Rechteckkoordinaten.
* Lädt der Detektor noch, zeigt der Block eine informative Meldung an und wartet, bis der Detektor bereit ist, bevor Ergebnisse geliefert werden.

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

* Sofort einsatzbereite Objekterkennung für viele gängige Klassen.
* Klassen-Gruppen-Presets, um schnell auf Menschen, Tiere, Indoor- oder Outdoor-Objekte (oder alle Klassen) zu fokussieren.
* Visuelle Annotationen plus detaillierte numerische/strukturierte Ausgaben für Automatisierung oder Protokollierung.
* Einfache Steuerung zur Balance zwischen Sensitivität und Klassenwahl.

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

1. Verbinden Sie eine Kamera oder eine Bildquelle mit dem Eingang `Image Any`.
2. Wählen Sie ein passendes Preset in `Select Detection Class`, um die Erkennung auf relevante Klassen zu beschränken.
3. Justieren Sie `Confidence Threshold %`, um das gewünschte Gleichgewicht zwischen verpassten Objekten und False Positives zu erreichen.
4. Verwenden Sie die Ausgänge, um nachfolgende Logik, Tracking, Visualisierung oder Speicherung anzusteuern.

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

* Für Live-Kameraeingang nutzen Sie einen der Image-Input-Blöcke wie `Camera USB`, `Camera IP (ONVIF)`, `Stream Reader` oder `Load Image` für Offline-Tests.
* Um Erkennungen in der UI oder einem Dashboard zu zeigen, verbinden Sie das annotierte Bild mit `Show Image` oder zeichnen Sie Overlays mit `Draw Detections`.
* Für Tracking über mehrere Frames leiten Sie Erkennungsergebnisse an `Object_Detection_Tracker`, um stabile IDs und Trajektorien zu erhalten.
* Wenn nur ein bestimmter Bereich wichtig ist, schneiden Sie das Eingangsbild zunächst mit `Image ROI` oder `Image ROI Select`, um Fehlalarme zu reduzieren und die Performance zu verbessern.
* Arbeiten Sie mit sehr großen Bildern, verwenden Sie `Image Resize` oder `Image Resizer` vor der Erkennung, um die Verarbeitung zu beschleunigen.
* Speichern Sie relevante Frames oder Aufzeichnungen, indem Sie das annotierte Bild an `Image Logger`, `Multi Image Write` oder `Record Video` weiterleiten, wenn eine bestimmte Anzahl oder Klasse erkannt wird. Kombinieren Sie das mit Logikblöcken (z. B. manuellem `Logic Input` oder Schwellwert-Prüfungen), um nur bei Ereignissen zu speichern.
* Kombinieren Sie mit Analyseblöcken wie `Measure Position Distance` oder ROI-Prüfungen wie `Check Area`, um Alarme oder Analysen zu bauen (z. B. Personen in einer Zone zählen oder Abstände messen).

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

* Zu viele False Positives: Erhöhen Sie `Confidence Threshold %` oder wählen Sie eine engere Option in `Select Detection Class`.
* Erkennung ist langsam: Skalieren Sie das Bild mit `Image Resize` oder reduzieren Sie die Anzahl der Klassen durch eine engere Klassenauswahl.
* Annotiertes Bild wirkt leer, andere Ausgänge zeigen Erkennungen: Prüfen Sie, ob der Anzeige-Block (z. B. `Show Image`) korrekt verbunden ist und das annotierte Bild empfängt.