Crawlers de entrenamiento
img2dataset es un bot que recopila páginas para entrenar modelos de IA. Descarga grandes conjuntos de imágenes en datasets para entrenar LLM o para otros fines. No se publica ninguna lista de rangos de IP ni convención de DNS inverso, así que no se puede demostrar que una solicitud con este user agent sea auténtica, y una regla en robots.txt no basta para frenar una suplantación.
La solicitud dice
"img2dataset"
Se comprueba con
Nada publicado
Comprobación en directo
No hay ninguna verificación del operador para img2dataset. Aun así, aquí ves qué es realmente la dirección.
Referencia
| User agent | img2datasetSolo token: busca coincidencias con la subcadena. |
|---|---|
| Operador | img2dataset |
| Finalidad | Extrae imágenes para usarlas en LLM. |
| Respeta robots.txt | Sin política |
| Método de verificación | Solo declaradoNada publicado, solo user agent No se ha publicado ningún archivo de rangos de IP ni ninguna convención de DNS inverso para este agente. La cadena de user agent es la única señal y cualquier cliente puede enviarla, así que considera una coincidencia como una declaración y no como una prueba. |
| Patrón de rastreo | A criterio de los usuarios de img2dataset. |
| Tokens de robots.txt | img2dataset |
| Documentación del operador | No hay ninguna publicada |
Descarga grandes conjuntos de imágenes en datasets para entrenar LLM o para otros fines.
robots.txt
Pega una en la raíz de tu dominio. Las reglas se aplican por token.
User-agent: img2dataset
Disallow: /User-agent: img2dataset
Allow: /User-agent: img2dataset
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchCambia las rutas de Disallow para que coincidan con tus URLs.
Bloquear img2dataset deja tus páginas fuera del próximo entrenamiento. No elimina nada de lo ya recopilado y no afecta al posicionamiento del sitio en la búsqueda normal.
Crea un archivo para todos los rastreadoresFAQ
img2dataset es un bot que recopila páginas para entrenar modelos de IA. Descarga grandes conjuntos de imágenes en datasets para entrenar LLM o para otros fines. No se publica ninguna lista de rangos de IP ni convención de DNS inverso, así que no se puede demostrar que una solicitud con este user agent sea auténtica, y una regla en robots.txt no basta para frenar una suplantación.
No está documentado. Ninguna declaración del operador indica si img2dataset lee robots.txt, así que añade la regla pero comprueba en tus registros que las solicitudes realmente se detienen.
No puedes, al menos no a partir de la propia solicitud. No se ha publicado ningún archivo de rangos de IP ni ninguna convención de DNS inverso para este agente. La cadena de user agent es la única señal y cualquier cliente puede enviarla, así que considera una coincidencia como una declaración y no como una prueba. En su lugar, compara la IP de origen con rangos de hosting y de centros de datos, y limita la frecuencia de todo lo que se comporte como un rastreador.
Añade el token img2dataset a robots.txt con Disallow: /. Si el rastreador ignora robots.txt, filtra el user agent en tu CDN o proxy inverso y devuelve allí un 403.
Bloquear img2dataset deja tus páginas fuera del próximo entrenamiento. No elimina nada de lo ya recopilado y no afecta al posicionamiento del sitio en la búsqueda normal.