Update controlnet_module.py

controlnet_module.py

@@ -1315,53 +1315,69 @@ class ControlNetProcessor:
                 # ============================================================
                 # ABSCHLIESSENDE STATISTIK
                 # ============================================================
-                print("📊 FINALE MASKEN-STATISTIK")
+                print("📊 FINALE MASKEN-STATISTIK FÜR FEHLERANALYSE")
 
-                # Nach den Dilate-Operationen:
-                #expanded_pixels = np.sum(mask_array > 128) - current_white
-                #print(f"   📈 Maske um {expanded_pixels:,} Pixel erweitert")
-                #print(f"   📏 Neue Kanten: ~{25//2}px von Original-Maske entfernt")
-
-                # Weiße Pixel zählen      
+                # Berechnungen (bleiben gleich)
                 final_white = np.sum(mask_array > 128)
-                final_coverage = final_white / bbox_area if bbox_area > 0 else 0         
-                final_array = np.array(mask_original)  # ✅ Original-Größe
+                final_coverage = final_white / bbox_area if bbox_area > 0 else 0
+                final_array = np.array(mask_original)
                 white_pixels = np.sum(final_array > 0)
                 total_pixels = final_array.size
-                white_ratio = white_pixels / total_pixels * 100 if total_pixels >0 else 0
+                white_ratio = white_pixels / total_pixels * 100 if total_pixels > 0 else 0
 
-                # Original-BBox Fläche (vor Crop)
                 original_bbox_width = original_bbox[2] - original_bbox[0]
                 original_bbox_height = original_bbox[3] - original_bbox[1]
                 original_face_area = original_bbox_width * original_bbox_height
                 coverage_ratio = white_pixels / original_face_area if original_face_area > 0 else 0
-                
-                print(f"   👤 GESICHTSABDECKUNG: {coverage_ratio:.1%} der ursprünglichen BBox")
-                print(f"   Weiße Pixel (Veränderungsbereich): {white_pixels:,} ({white_ratio:.1f}%)")
-                print(f"   Schwarze Pixel (Erhaltungsbereich): {total_pixels-white_pixels:,} ({100-white_ratio:.1f}%)")
-                print(f"   Gesamtpixel: {total_pixels:,}")
-                print(f"     • Weiße Pixel: {final_white:,}")
-                print(f"     • BBox-Fläche: {bbox_area:,}")
-                print(f"     • Abdeckung: {final_coverage:.1%}")
-                print(f"     • Empfohlen: >90% für natürliches Gesicht")
-
-                # Warnungen basierend auf Abdeckung
+
+                # Fehlende Variablen für den else-Fall definieren
+                if not use_crop_strategy:
+                    crop_size = "N/A"
+                    crop_x1 = crop_y1 = crop_x2 = crop_y2 = "N/A"
+
+                # Strukturierte Ausgabe
+                print(f"   🖼️  Bildgröße: {original_image.size[0]}×{original_image.size[1]} | "
+                      f"Crop-Strategie: {'JA' if use_crop_strategy else 'NEIN'}")
+                print(f"   📦 Original-BBox: {original_bbox} | "
+                      f"Fläche: {original_face_area:,} px² ({original_bbox_width}×{original_bbox_height})")
+                print(f"   🎯 SAM-Ergebnis: Beste Maske #{best_mask_idx+1} | Score: {best_score:.3f} | "
+                      f"Konfidenz: {max_val:.3f} | Verfügbare Masken: {num_masks}")
+                print(f"   👤 Gesichtsabdeckung: {coverage_ratio:.1%} der BBox "
+                      f"({'OPTIMAL' if 0.8 <= coverage_ratio <= 1.2 else 'UNTER' if coverage_ratio < 0.7 else 'ÜBER'})")
+                print(f"   📐 Maskenpixel: {white_pixels:,} weiß ({white_ratio:.1f}%) | "
+                      f"{total_pixels-white_pixels:,} schwarz ({100-white_ratio:.1f}%)")
+                print(f"   ⚙️  Postprocessing: {num_features} Komponenten → 1 behalten | "
+                      f"Operationen: MORPH_CLOSE, MORPH_OPEN, DILATE, GAUSSIAN_BLUR, GAMMA")
+                if use_crop_strategy:
+                    print(f"   🔄 Crop-Größe: {crop_size}×{crop_size}px | "
+                          f"Position: [{crop_x1},{crop_y1},{crop_x2},{crop_y2}]")
+                    print(f"   📏 Crop-interne Abdeckung: {final_coverage:.1%} (technisch)")
+                else:
+                    print(f"   🔄 Direktverarbeitung auf Originalgröße")
+                    print(f"   🎛️  Modus: {mode} | Threshold: {dynamic_threshold:.3f}")
+
+                # Warnungen
                 if coverage_ratio < 0.7:
                     print(f"   ⚠️  WARNUNG: Geringe Gesichtsabdeckung ({coverage_ratio:.1%})")
                 elif coverage_ratio > 1.3:
                     print(f"   ⚠️  WARNUNG: Sehr hohe Gesichtsabdeckung ({coverage_ratio:.1%})")
                 elif 0.8 <= coverage_ratio <= 1.2:
                     print(f"   ✅ OPTIMALE Gesichtsabdeckung ({coverage_ratio:.1%})")
-              
+
                 print("#" * 80)
                 print(f"✅ SAM 2 SEGMENTIERUNG ABGESCHLOSSEN")
                 print(f"📐 Finale Maskengröße: {mask_original.size}")
                 print(f"🎛️  Verwendeter Modus: {mode}")
-                print(f"👤 Crop={crop_size}×{crop_size}px, Heuristik-Score={best_score:.3f}")
+
+                if use_crop_strategy:
+                    print(f"👤 Crop={crop_size}×{crop_size}px, Heuristik-Score={best_score:.3f}")
+                else:
+                    print(f"👤 Direktverarbeitung, Heuristik-Score={best_score:.3f}")
+                    
                 print(f"👤 Kopfabdeckung: {coverage_ratio:.1%} der BBox")
                 print("#" * 80)
-                              
-                
+
+                         
                 return mask_original, raw_mask_original, inpaint_binary_original
 
                 #Maske, Raw_mask und Binärmaske in Originalgröße zurück!