> 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/detections-shapes/detectors/custom-cnn-model.md).

# Custom CNN Model

Dieser Funktionsblock wird verwendet, um ein TensorFlow KI-Modell zu laden, um Vorhersagen basierend auf Eingabebildern zu treffen. Er ermöglicht es den Benutzern, Machine-Learning-Modelle einfach in ihre Arbeitsabläufe zu integrieren.

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

`Image Any` Ein Bilder Eingang, der in das KI-Modell zur Vorhersage eingespeist wird.

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

`Class Index (Detected)` Diese Ausgabe liefert den Index der erkannten Klasse basierend auf der Vorhersage des Modells.

`Class Name (Detected)` Diese Ausgabe gibt den Namen der erkannten Klasse aus der Ausgabe des Modells an.

`Detection Result (Raw Output)` Diese Ausgabe enthält die Rohdaten aus dem Modell, die für weitere Analysen oder Debugging nützlich sind.

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

`Load Model` Ein Button, der, wenn er angeklickt wird, es dem Benutzer ermöglicht, ein vortrainiertes TensorFlow- oder TensorFlow Lite-Modell aus seinem Dateisystem zu laden.

`Classes Text` Dieser Textbereich zeigt die Liste der Klassen an, die das KI-Modell erkennen kann, und gibt Einblick, auf was das Modell trainiert wurde.

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

`Support for Multiple Model Formats` Dieser Block kann sowohl TensorFlow `.h5` Modelle als auch TensorFlow Lite `.tflite` Modelle laden, was Vielseitigkeit bei der Modellauswahl bietet.

`Detection Results Visualization` Die Ausgabe zeigt sowohl den erkannten Klassenindex als auch den Namen an, was das Verständnis des Ergebnisses erleichtert.

`Error Handling` Stellt Informationen über Ladefehler zur Verfügung, wie z.B. ungültige Pfade oder Konfigurationen, um bei der Problemlösung zu helfen.

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

1. **Load Model**: Klicke auf den Button `Load Model`, um dein KI-Modell auszuwählen und zu laden. Du kannst entweder ein TensorFlow-Modell (`*.h5`) oder ein TensorFlow Lite-Modell (`*.tflite`) wählen.
2. **Input Image**: Verbinde einen bildproduzierenden Block mit dem Eingang `Image Any`.
3. **Run the Block**: Führe den Block aus, um das Eingangsbild mit dem geladenen Modell zu verarbeiten. Die Ausgaben liefern den vorhergesagten Klassenindex, den Klassennamen und die Rohausgabe.

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

Bei der Ausführung nutzt dieser Funktionsblock das geladene Modell, um die Klasse des Eingabebildes vorherzusagen, und gibt Ergebnisse zurück, die den vorhergesagten Klassenindex, den Namen und die Rohausgabedaten offenlegen.

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

<details>

<summary>Modellkompatibilität</summary>

Stelle sicher, dass das Modell, das du lädst, mit dem erwarteten Eingangsformat kompatibel ist. Modelle, die auf bestimmten Eingangsgrößen oder -typen trainiert wurden, können fehlschlagen, wenn das Eingangsbild nicht übereinstimmt.

</details>

<details>

<summary>Visualisierung der Klassennamen</summary>

Nach dem Laden des Modells, überprüfe den Bereich `Classes Text`, um die Klassen zu sehen, die das Modell erkennen kann. Diese Informationen sind entscheidend, um die Ergebnisse genau zu interpretieren.

</details>

<details>

<summary>Analyse der Rohausgaben</summary>

Untersuche die Rohausgabedaten für tiefere Einblicke in die Vorhersagen des Modells. Dies kann helfen, das Verhalten des Modells für bestimmte Eingaben zu debuggen.

</details>

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

<details>

<summary>Modell nicht geladen-Fehler</summary>

Wenn du einen Fehler erhältst, der besagt, dass das Modell nicht geladen ist, vergewissere dich, dass du den Button `Load Model` angeklickt und eine gültige Modell-Datei ausgewählt hast.

</details>

<details>

<summary>Ungültiger Klassenindex</summary>

Wenn die Ausgabe `Class Index (Detected)` einen unerwarteten Wert zurückgibt, stelle sicher, dass das Eingangsbild dem erforderlichen Format des Modells entspricht und dass das Modell darauf trainiert wurde, diesen Typ von Eingabe zu erkennen.

</details>