Die Segmentierung und Erkennung von Zähnen spielen eine entscheidende Rolle in verschiedenen zahnmedizinischen Anwendungen und diagnostischen Verfahren. Die Integration von Deep-Learning-Modellen hat die Entwicklung präziser und automatisierter Segmentierungsverfahren erleichtert. Obwohl bereits zahlreiche Studien die Segmentierung von Zähnen untersucht haben, gelang es nur wenigen Ansätzen, die Segmentierung und Detektion von Zähnen gleichzeitig erfolgreich zu bewältigen. In dieser Arbeit wird das UFBA-425-Datensatzprojekt vorgestellt, ein aus dem UFBA-UESC-Datensatz abgeleiteter zahnmedizinischer Datensatz, der für 425 panoramische Zahn-Röntgenaufnahmen Bounding-Box- und Polygon-Anmerkungen enthält. Zusätzlich wird OralBBNet vorgestellt, eine Architektur mit zwei spezifischen Head-Modulen – einer U-Net-basierten Segmentierungshead und einer YOLOv8-basierten Detektionshead. OralBBNet ist darauf ausgelegt, die Genauigkeit und Robustheit der Zahnklassifikation und -Segmentierung auf panoramischen Röntgenbildern durch die komplementären Stärken von U-Net und YOLOv8 zu verbessern. Unser Ansatz erreichte im Vergleich zu bestehenden Techniken eine Verbesserung der mittleren Durchschnittspräzision (mean average precision, mAP) für die Zahn-Detektion um 1–3 % und eine Verbesserung des Dice-Scores für die Zahn-Segmentierung um 15–20 % gegenüber U-Net über verschiedene Zahnkategorien hinweg. Bei Vergleich mit anderen Segmentierungsarchitekturen zeigte sich eine Steigerung des Dice-Scores um 2–4 %. Die Ergebnisse dieser Studie legen eine solide Grundlage für die breitere Anwendung von Objekterkennungsmodellen in der zahnmedizinischen Diagnostik.