Update sam_module.py

sam_module.py

@@ -301,17 +301,17 @@ def create_sam_mask(self, image, bbox_coords, mode):
             print("🎯 MODUS: FOCUS_CHANGE (OPTIMIERT)")
             print("-" * 60)
             
-            # Bild für SAM vorbereiten
+            # Konvertierung O-Bild in NumPy-Array für SAM
             image_np = np.array(image.convert("RGB"))
             
-            # NUR EINE BBOX UND NUR MITTELPUNKT (kein Gesichtspunkt)
+            #  Packt die BBox-Koordinaten in eine 3D-Liste
             input_boxes = [[[x1, y1, x2, y2]]]
             
             # Nur Mittelpunkt als positiver Prompt
             center_x = (x1 + x2) // 2
             center_y = (y1 + y2) // 2
-            input_points = [[[[center_x, center_y]]]]  # NUR EIN PUNKT
-            input_labels = [[[1]]]  # Positiver Prompt
+            input_points = [[[[center_x, center_y]]]]  # NUR EIN PUNKT in 4D-Liste
+            input_labels = [[[1]]]  # Markiert Punkt als Positiver Prompt also der Bereich muß segmentiert werden
             
             print(f"   🎯 SAM-Prompt: BBox [{x1},{y1},{x2},{y2}]")
             print(f"   👁️  Punkt: Nur Mitte ({center_x},{center_y})")
@@ -334,6 +334,7 @@ def create_sam_mask(self, image, bbox_coords, mode):
                 print(f"   Anzahl der Vorhersagemasken: {outputs.pred_masks.shape[2]}")
 
             num_masks = outputs.pred_masks.shape[2]
+            
 
             # Sammlung aller Masken in all_masks
             all_masks = []
@@ -348,7 +349,7 @@ def create_sam_mask(self, image, bbox_coords, mode):
             ).squeeze()
     
             mask_np = resized_mask.sigmoid().cpu().numpy()
-            all_masks.append(mask_np)
+            all_masks.append(mask_np) #fügt die aktuelle Maske der Liste all_masks hinzu
             
 
             # BBox-Information für Heuristik
@@ -359,7 +360,7 @@ def create_sam_mask(self, image, bbox_coords, mode):
             best_mask_idx = 0
             best_score = -1
             
-            # Alle 3 Masken analysieren (OHNE sie alle zu skalieren!)
+            # Alle 3 Masken analysieren
             for i in range(num_masks):
                 # Maske in Original-SAM-Größe (256x256) analysieren
                 mask_256 = outputs.pred_masks[:, :, i, :, :]
@@ -386,7 +387,7 @@ def create_sam_mask(self, image, bbox_coords, mode):
                 if np.sum(mask_binary) == 0:
                     continue
                 
-                # Heuristik-Berechnung (wie bisher)
+                # Heuristik-Berechnung
                 mask_area_pixels = np.sum(mask_binary)
                 
                 # BBox-Überlappung