はじめに
こんにちは！今回はPythonで「ディレクトリごとに画像をコピーし、さらに黒枠を自動でトリミングする」という話をお届けします。
実はこれ、ただの画像処理だけでなく、Deep Learning の画像データ前処理でも役立つんです。
Deep Learningでのトレーニングデータを準備する際、黒枠付きの画像をそのまま使うと、モデルの精度が下がる原因になることがあります。
そこで、このスクリプトで黒枠を自動トリミングすることで、データの質を高め、学習結果を向上させました！
では、実際のコードとその流れを見ていきましょう。
やりたいこと
-
images_train_1からimages_train_10までのディレクトリから画像をコピーする。 - コピーした画像の黒枠を自動でトリミングし、Deep Learning 用に準備。
まずはコピーから
Deep Learning のトレーニングデータは数千枚に及ぶことが多く、それを手動で処理していたら一日が終わってしまいます。
そんな時は、Pythonで一気にファイルをコピーしてしまいましょう。
import os
import shutil
from tqdm import tqdm
source_dir_base = "path_to_source_directory"
dest_dir = "path_to_destination_directory"
for i in range(1, 11):
source_dir = os.path.join(source_dir_base, f'images_train_{i}')
# ソースディレクトリが存在しない場合はスキップ
if not os.path.exists(source_dir):
print(f"Source directory '{source_dir}' not found. Skipping...")
continue
# ファイルをコピー
for filename in tqdm(os.listdir(source_dir)):
source_file = os.path.join(source_dir, filename)
dest_file = os.path.join(dest_dir, filename)
shutil.copy(source_file, dest_file)
print(f"Copied '{filename}' to '{dest_dir}'")
ポイント
- ディレクトリが存在しない場合は、
os.path.existsでチェックしてスキップ。Deep Learning のトレーニングデータは膨大なので、ここでミスを避けます。 -
tqdmで進行状況を可視化して、コピーの進捗がひと目でわかるようにしています。
黒枠トリミングでクリーンなデータに！
次は画像処理。黒枠がついたままの画像をそのままモデルに入力すると、余計な情報を学習してしまうことがあります。そこで、画像から黒枠をトリミングしてクリーンなデータにしましょう。
import cv2
import numpy as np
def trim_black_borders(image, tol=10):
# Convert image to grayscale
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# Create a binary mask where non-black pixels are white
mask = gray > tol
# If the entire image is black, return the original image
if not np.any(mask):
return image
# Get the bounding box of non-black pixels
coords = np.argwhere(mask)
x0, y0, x1, y1 = coords.min(axis=0)[0], coords.min(axis=0)[1], coords.max(axis=0)[0] + 1, coords.max(axis=0)[1] + 1
# Crop the image
trimmed_image = image[x0:x1, y0:y1]
return trimmed_image
トリミングのポイント
- 黒い部分を除去するために、
cv2.cvtColorで画像をグレースケール化します。これにより、黒かそうでないかを単純に区別できるようになります。 -
np.argwhereで黒くない領域の境界を特定し、その範囲だけをトリミングします。 - もし画像全体が真っ黒の場合は、そのまま返すようにしています（念のため）。
トリミング後にファイルを保存！
最後に、コピーした画像を黒枠トリミングして、元のファイルに上書き保存していきます。
for filename in tqdm(os.listdir(dest_dir)):
if filename.lower().endswith((".png", ".jpg", ".jpeg")):
image_path = os.path.join(dest_dir, filename)
image = cv2.imread(image_path)
if image is not None:
trimmed_image = trim_black_borders(image)
cv2.imwrite(image_path, trimmed_image) # 元のファイルに上書き
print(f"Processed and saved: {image_path}")
else:
print(f"Failed to load image: {image_path}")
Deep Learning モデルの精度向上に役立った話
このスクリプトを実際にDeep Learningのデータ準備で使ったところ、黒枠をトリミングした画像の方がモデルの学習結果が良好に！
黒枠付きの画像をそのまま学習させると、モデルが余計な背景情報を覚えてしまい、重要な部分に焦点が当たらなくなってしまいます。
しかし、トリミング後は、画像の中心部分（つまり本当に学習してほしい部分）にモデルが集中できるようになり、精度が向上しました！
おわりに
このスクリプトを使えば、Deep Learning の画像前処理を大幅に効率化できます。大量のデータを扱う場合、こうした自動化によって時間を節約し、モデルの精度も向上させることができます。
画像の黒枠をトリミングしてすっきりさせるだけで、データセット全体の質を上げ、より良い結果を得られることを実感しました。ぜひ試してみてください！