Update controlnet_module.py

controlnet_module.py

@@ -830,13 +830,23 @@ class ControlNetProcessor:
                     needs_transform_back = True
                     transform_offset = (crop_x1, crop_y1)
 
-                else: #use_crop_strategy=False (Bild <=512)
-
-                
+                else: #use_crop_strategy=False (Bild <=512)           
+                    print("🎯 SCHRITT 2: VERWENDE ORIGINALBILD UND ORIGINAL-BBOX FÜR SAM")
+                    print(f"   Originalbild-Größe: {original_image.size}")
+                    print(f"   Original-BBox: [{x1}, {y1}, {x2}, {y2}]")
+                    
+                    # Keine Bildverbesserung für 512x512 - Original verwenden
+                    image = original_image
+                    
+                    # Für SAM verwenden wir die Original-BBox (keine Transformation)
+                    sam_bbox = (x1, y1, x2, y2)
+                    print(f"   ✅ SAM verwendet Original-BBox-Koordinaten")
+               
 
                 # ============================================================
-                # SAM-AUSFÜHRUNG
+                # SAM-AUSFÜHRUNG mit relativen Koordinaten für Bild<=512 und Bild>512
                 # ============================================================
+
                 print("-" * 60)
                 print(f"📦 BOUNDING BOX DETAILS FÜR SAM:")
                 print(f"   Bild-Größe für SAM: {image.size}")
@@ -931,20 +941,36 @@ class ControlNetProcessor:
                 # ============================================================
                 # HEURISTIK (zur Bestimmung der besten Maske)
                 # ============================================================
-                print("🤔 HEURISTIK AUF CROP-GRÖSSE BERECHNEN")
+                print("🤔 HEURISTIK AUF Original- GRÖSSE BERECHNEN")
 
+                if use_crop_strategy:
+                    # BBox-Information für Heuristik (IN CROP-KOORDINATEN!)
+                    bbox_center = ((x1 + x2) // 2, (y1 + y2) // 2)
+                    bbox_area = (x2 - x1) * (y2 - y1)
+    
+                    print(f"   CROP-BBox: [{x1}, {y1}, {x2}, {y2}]")
+                    print(f"   CROP-BBox-Größe: {x2-x1}×{y2-y1}px = {bbox_area:,}px²")
+                    print(f"   CROP-BBox-Zentrum: {bbox_center}")
+                    print(f"   Crop-Bildgröße: {image.width}×{image.height}")
 
-                # BBox-Information für Heuristik (IN CROP-KOORDINATEN!)
-                bbox_center = ((x1 + x2) // 2, (y1 + y2) // 2)
-                bbox_area = (x2 - x1) * (y2 - y1)
+                else: #Heuristik für Original-Fall, Original-BBox
+                    print("   ✅ Original-Fall: Heuristik mit Original-BBox")
+                    
+                    # Original-BBox-Koordinaten verwenden (nicht transformiert)
+                    bbox_center = ((original_bbox[0] + original_bbox[2]) // 2, 
+                                  (original_bbox[1] + original_bbox[3]) // 2)
+                    bbox_area = (original_bbox[2] - original_bbox[0]) * (original_bbox[3] - original_bbox[1])
     
-                print(f"   CROP-BBox: [{x1}, {y1}, {x2}, {y2}]")
-                print(f"   CROP-BBox-Größe: {x2-x1}×{y2-y1}px = {bbox_area:,}px²")
-                print(f"   CROP-BBox-Zentrum: {bbox_center}")
-                print(f"   Crop-Bildgröße: {image.width}×{image.height}")
+                    print(f"   ORIGINAL-BBox: {original_bbox}")
+                    print(f"   ORIGINAL-BBox-Größe: {original_bbox[2]-original_bbox[0]}×{original_bbox[3]-original_bbox[1]}px = {bbox_area:,}px²")
+                    print(f"   ORIGINAL-BBox-Zentrum: {bbox_center}")
+                    print(f"   Original-Bildgröße: {image.width}×{image.height}")
+                    
                
+                # Heuristik-BBox für alle weiteren Berechnungen verwenden
+                # (bbox_center und bbox_area sind jetzt korrekt für beide Fälle)              
                 
-                best_mask_idx = 0
+                best_mask_idx = 0                    
                 best_score = -1
                 
                 for i, mask_np in enumerate(all_masks_crop):
@@ -1023,7 +1049,13 @@ class ControlNetProcessor:
                     # 3. BBOX-ÜBERLAPPUNG (20%)
                     bbox_mask = np.zeros((image.height, image.width), dtype=np.uint8)
 
-                    bbox_mask[y1:y2, x1:x2] = 1
+                    if use_crop_strategy:
+                        bbox_mask[y1:y2, x1:x2] = 1
+                    else:                  
+                        # Original-Fall: Müssen BBox auf aktuelle Bildgröße transformieren
+                        # Da Bild = Original, können wir original_bbox direkt verwenden
+                        bbox_mask[original_bbox[1]:original_bbox[3], original_bbox[0]:original_bbox[2]] = 1
+           
                     
                     overlap = np.sum(mask_binary & bbox_mask)
            
@@ -1073,6 +1105,10 @@ class ControlNetProcessor:
                 max_val = mask_np.max()
                 print(f"🔍 Maximaler SAM-Konfidenzwert der besten Maske: {max_val:.3f}")
 
+
+
+                
+
                 # ============================================================
                 # THRESHOLD-BESTIMMUNG Wahrscheinlichkeiten -> Binär (0,1)
                 # ============================================================