🧠 Pythonで学ぶ画像認識入門：TensorFlowとKerasで手書き数字を判定する方法(5) ～複数の自作画像を一括で認識～

前回

「🧠 Pythonで学ぶ画像認識入門：TensorFlowとKerasで手書き数字を判定する方法(4) ～学習済みモデルで自作画像を認識～」

の記事では、学習済みモデルを使って「1枚の手書き数字画像」を判定しました。
今回はさらに発展して、フォルダ内にある複数の画像を一括で認識してみましょう。

これにより、手書きで作成した「0〜9」の数字画像をまとめてテストできるようになります。

🧩 動作環境（共通）

項目	バージョン / ツール
OS	Windows 11 Pro 24H2
Python	3.12.6
pip	24.2
エディタ	PowerShell / VS Code
ライブラリ	pandas 2.x / matplotlib 3.x / openpyxl 3.x

📁 ステップ①：フォルダ構成を準備

まず、テスト用フォルダを作成します。

C:\python_env\
├─ mnist_cnn_model.h5        ← 前回の学習済みモデル
├─ test_images\
│   ├─ 0.png
│   ├─ 1.png
│   ├─ 2.png
│   ├─ 3.png
│   └─ 4.png
│   └─ 5.png
│   └─ 6.png
│   └─ 7.png
│   └─ 8.png
│   └─ 9.png
└─ predict_batch.py          ← 今回のスクリプト

C:\python_env\

├─ mnist_cnn_model.h5 ← 前回の学習済みモデル

├─ test_images\

│ ├─ 0.png

│ ├─ 1.png

│ ├─ 2.png

│ ├─ 3.png

│ └─ 4.png

│ └─ 5.png

│ └─ 6.png

│ └─ 7.png

│ └─ 8.png

│ └─ 9.png

└─ predict_batch.py ← 今回のスクリプト

各画像は 白背景 × 黒または青文字、中央寄せ、28×28ピクセル推奨です。

🧠 ステップ②：複数画像を一括認識するスクリプト

ファイル名：predict_batch.py

内容：

# =========================================
# 複数の自作画像を学習済みモデルで一括認識
# =========================================

import os
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image

# ---------- フォント設定 ----------
plt.rcParams['font.family'] = ['Meiryo', 'Yu Gothic', 'MS Gothic']
plt.rcParams['axes.unicode_minus'] = False

# ---------- モデル読み込み ----------
model = load_model("mnist_cnn_model.h5")
print("✅ 学習済みモデルを読み込みました。")

# ---------- 画像フォルダ ----------
folder_path = "test_images"
files = sorted([f for f in os.listdir(folder_path) if f.endswith(('.png', '.jpg', '.jpeg'))])

# ---------- 一括推論 ----------
results = []
for file in files:
    img_path = os.path.join(folder_path, file)
    img = image.load_img(img_path, target_size=(28, 28), color_mode="grayscale")
    img_array = image.img_to_array(img)
    img_array = 255 - img_array   # 白背景×黒文字の反転補正
    img_array = img_array / 255.0
    img_array = np.expand_dims(img_array, axis=0)

    pred = model.predict(img_array)
    label = np.argmax(pred)
    results.append((file, label))
    print(f"{file} → 予測結果: {label}")

# ---------- 一覧表示 ----------
plt.figure(figsize=(10, 2))
for i, (fname, label) in enumerate(results):
    img_path = os.path.join(folder_path, fname)
    img = image.load_img(img_path, target_size=(28, 28), color_mode="grayscale")
    plt.subplot(1, len(results), i + 1)
    plt.imshow(img, cmap='gray')
    plt.title(f"{label}", fontsize=12)
    plt.axis("off")
plt.suptitle("一括予測結果", fontsize=14)
plt.show()

# =========================================

# 複数の自作画像を学習済みモデルで一括認識

# =========================================

import os

import numpy as np

import matplotlib.pyplot as plt

from tensorflow.keras.models import load_model

from tensorflow.keras.preprocessing import image

# ---------- フォント設定 ----------

plt.rcParams['font.family'] = ['Meiryo', 'Yu Gothic', 'MS Gothic']

plt.rcParams['axes.unicode_minus'] = False

# ---------- モデル読み込み ----------

model = load_model("mnist_cnn_model.h5")

print("✅ 学習済みモデルを読み込みました。")

# ---------- 画像フォルダ ----------

folder_path = "test_images"

files = sorted([f for f in os.listdir(folder_path) if f.endswith(('.png', '.jpg', '.jpeg'))])

# ---------- 一括推論 ----------

results = []

for file in files:

img_path = os.path.join(folder_path, file)

img = image.load_img(img_path, target_size=(28, 28), color_mode="grayscale")

img_array = image.img_to_array(img)

img_array = 255 - img_array # 白背景×黒文字の反転補正

img_array = img_array / 255.0

img_array = np.expand_dims(img_array, axis=0)

pred = model.predict(img_array)

label = np.argmax(pred)

results.append((file, label))

print(f"{file} → 予測結果: {label}")

# ---------- 一覧表示 ----------

plt.figure(figsize=(10, 2))

for i, (fname, label) in enumerate(results):

img_path = os.path.join(folder_path, fname)

img = image.load_img(img_path, target_size=(28, 28), color_mode="grayscale")

plt.subplot(1, len(results), i + 1)

plt.imshow(img, cmap='gray')

plt.title(f"{label}", fontsize=12)

plt.axis("off")

plt.suptitle("一括予測結果", fontsize=14)

plt.show()

⚙️ ステップ③：実行方法

仮想環境を有効化して、次を実行します：

🧾 ステップ④：出力結果（例）

コンソール出力例：

✅ 学習済みモデルを読み込みました。
0.png → 予測結果: 0
1.png → 予測結果: 1
2.png → 予測結果: 2
3.png → 予測結果: 3
4.png → 予測結果: 4
5.png → 予測結果: 5
6.png → 予測結果: 6
7.png → 予測結果: 7
8.png → 予測結果: 8
9.png → 予測結果: 9

✅ 学習済みモデルを読み込みました。

0.png → 予測結果: 0

1.png → 予測結果: 1

2.png → 予測結果: 2

3.png → 予測結果: 3

4.png → 予測結果: 4

5.png → 予測結果: 5

6.png → 予測結果: 6

7.png → 予測結果: 7

8.png → 予測結果: 8

9.png → 予測結果: 9

グラフ表示：

横一列に数字画像が並び、各画像の下にAIの判定結果が表示されます
一目でどの画像をどの数字と認識したか分かります

📊 ステップ⑤：結果と考察





	項目 内容




	処理対象 フォルダ内の全画像（png/jpg）を自動スキャン


	推論処理 load_modelでCNNモデルを再利用し、一括predictを実施


	表示形式 コンソール出力＋matplotlibで可視化


	精度 1枚ずつ推論と同等（約99%）を維持


	応用例 書類や帳票の一括認識、データセットの一括評価など


	考察 単一推論を拡張してバッチ処理化。フォルダ単位で実行できるため自動化が容易

項目	内容
処理対象	フォルダ内の全画像（png/jpg）を自動スキャン
推論処理	load_modelでCNNモデルを再利用し、一括predictを実施
表示形式	コンソール出力＋matplotlibで可視化
精度	1枚ずつ推論と同等（約99%）を維持
応用例	書類や帳票の一括認識、データセットの一括評価など
考察	単一推論を拡張してバッチ処理化。フォルダ単位で実行できるため自動化が容易

💡 発展ポイント

テーマ	内容
結果をCSV出力	pandas.DataFrame(results).to_csv('result.csv', index=False)
サブフォルダ対応	os.walk() を使えば階層フォルダも処理可能
推論速度UP	GPU環境なら処理時間が大幅短縮
異常画像の検出	サイズやフォーマットが不正な画像をスキップ処理可能

✅ まとめ

本記事では、学習済みモデルを使って複数の手書き数字画像をまとめて判定しました。
フォルダ単位で一括処理できるため、データテストやAIモデルの精度検証にも最適です。

次回は、

🧠 (6) 判定結果をCSV出力し、正解データと比較して精度を分析
として、「自作データセットの評価編」に進みます。

日	月	火	水	木	金	土
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30

「駑馬十駕」を信念に IT系情報を中心に調べた事をコツコツ綴っています。

🧠 Pythonで学ぶ画像認識入門：TensorFlowとKerasで手書き数字を判定する方法(5) ～複数の自作画像を一括で認識～

🧩 動作環境（共通）

📁 ステップ①：フォルダ構成を準備

🧠 ステップ②：複数画像を一括認識するスクリプト

⚙️ ステップ③：実行方法

🧾 ステップ④：出力結果（例）

📊 ステップ⑤：結果と考察

💡 発展ポイント

✅ まとめ

Ads by Google

「駑馬十駕」を信念に IT系情報を中心に調べた事をコツコツ綴っています。

🧩 動作環境（共通）

📁 ステップ①：フォルダ構成を準備

🧠 ステップ②：複数画像を一括認識するスクリプト

⚙️ ステップ③：実行方法

🧾 ステップ④：出力結果（例）

📊 ステップ⑤：結果と考察

💡 発展ポイント

✅ まとめ

関連記事

Ads by Google

　関連記事