> 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-d-fine.md).

# Object Detection (D-FINE)

Dieser Funktionsblock führt eine Echtzeit-Objekterkennung in einem Eingangsbild durch. Sie können die Modellgröße wählen (Abwägung zwischen Geschwindigkeit und Genauigkeit), festlegen, welche Objektklassen erkannt werden sollen, eine Konfidenzschwelle setzen und optional farbcodierte Begrenzungsrahmen auf dem Ausgabebild zeichnen lassen.

## 📥 Eingänge

`Image` Das Bild, das auf Objekt-Erkennungen analysiert werden soll.

## 📤 Ausgänge

`Result` Annotiertes Bild mit Begrenzungsrahmen und Labels (vorhanden, wenn Zeichnen aktiviert ist).

`Boxes` Eine Liste von Begrenzungsrahmen-Koordinaten für jede Erkennung (Format: \[x1, y1, x2, y2]).

`Labels` Klassennamen für jedes erkannte Objekt.

`Scores` Konfidenzwert für jede Erkennung.

## 🕹️ Steuerungen

`Model` Wählen Sie die Modellgröße (Beispiele: Nano / Small / Medium / Large / XLarge) zur Balance zwischen Inferenzgeschwindigkeit und Genauigkeit.

`Select Classes` Tabelle, in der Sie nur die COCO-Klassen ankreuzen, die der Block melden soll (alle leer lassen, um alle Klassen zuzulassen).

`Draw Boxes` Umschalter zum Aktivieren/Deaktivieren des Zeichnens farbiger Begrenzungsrahmen und Labels auf dem Ausgabebild.

`Threshold` Schieberegler zum Festlegen der Konfidenzschwelle (0–100) für akzeptierte Erkennungen.

## 🎨 Funktionen

* Auswahl der Modellgröße, um entweder Geschwindigkeit oder Genauigkeit zu priorisieren.
* Klassenfilter, damit nur relevante Objekttypen gemeldet werden.
* Steuerung der Konfidenzschwelle zur Reduzierung von False Positives.
* Optionales visuelles Ergebnis mit farbcodierten Begrenzungsrahmen und lesbaren Labels.
* Liefert sowohl visuelle (Bild) als auch strukturierte Erkennungsdaten (Boxes, Labels, Scores) zur Weiterverarbeitung.

## 📝 Nutzungshinweise

1. Verbinden Sie einen bildliefernden Block mit dem Eingang `Image`.
2. Wählen Sie eine `Model`-Größe je nachdem, ob Sie schnellere Ergebnisse oder höhere Genauigkeit benötigen.
3. Verwenden Sie `Select Classes`, um die Erkennung auf benötigte Objekttypen zu beschränken (oder leer lassen, um alle Klassen zuzulassen).
4. Passen Sie den `Threshold`-Schieberegler an, um die Sensitivität der Erkennung zu justieren.
5. Aktivieren Sie `Draw Boxes`, wenn Sie ein visuelles Ergebnis über `Result` erhalten möchten.
6. Nutzen Sie die Ausgänge `Boxes`, `Labels` und `Scores` in nachfolgenden Verarbeitungs- oder Protokollierungsblöcken.

## 📊 Bewertung

Beim Ausführen verarbeitet dieser Block das eingehende Bild entsprechend der gewählten `Model`-Größe und dem `Threshold` und gibt Erkennungen aus. Wenn `Draw Boxes` aktiviert ist, steht ein annotiertes Bild auf `Result` zur Verfügung; Erkennungs-Metadaten sind immer auf den anderen Ausgängen vorhanden.

## 💡 Tipps und Tricks

* Wenn kleine Objekte übersehen werden, versuchen Sie, ein hochauflösenderes Bild mit `Super Resolution` zu verwenden oder vermeiden Sie das Herunterskalieren via `Image Resize`.
* Um die Verarbeitungszeit zu reduzieren, wählen Sie ein kleineres `Model` (z. B. Nano/Small) auf Kosten etwas Genauigkeit.
* Schneiden Sie den interessierenden Bereich vor der Erkennung mit `Image ROI Select` oder `Image ROI` zu, um Geschwindigkeit zu verbessern und False Positives zu reduzieren.
* Zur visuellen Fehlersuche verbinden Sie den `Result`-Ausgang mit `Show Image`, um Erkennungen interaktiv zu prüfen.
* Um Erkennungen über mehrere Frames hinweg zu behalten (Tracking), kombinieren Sie die Ausgaben mit `Object_Detection_Tracker`.
* Speichern Sie Frames mit Erkennungen mit `Image Logger`, `Image Write` oder `Record Video` zur späteren Überprüfung.
* Exportieren Sie Erkennungs-Metadaten (`Boxes` / `Labels` / `Scores`) mit `CSV Export` oder `Data to JSON` für Analysen und Reports.
* Beim Experimentieren überwachen Sie die Systemauslastung mit `GPU Statistics`, um eine passende `Model`-Größe für Ihre Hardware zu wählen.
* Wenn Sie anderes Erkennungsverhalten möchten oder andere Modelle testen möchten, vergleichen Sie Ergebnisse mit `Object Detection - Custom` oder anderen Objekt-Erkennungsalternativen.

## 🛠️ Fehlersuche

* Wenn keine Erkennungen angezeigt werden, senken Sie den `Threshold` oder prüfen Sie, ob die gewünschte Klasse in `Select Classes` ausgewählt ist.
* Wenn Erkennungen zu ungenau/laut sind, erhöhen Sie den `Threshold` oder begrenzen Sie die Klassen in `Select Classes`.
* Wenn die Verarbeitung zu langsam ist, wählen Sie ein kleineres `Model` oder schneiden Sie das Eingabebild mit `Image ROI Select` zu.
* Wenn das Ausgabebild leer ist, während andere Ausgänge Daten enthalten, stellen Sie sicher, dass `Draw Boxes` aktiviert ist, um ein visuelles Ergebnis zu erhalten.