Trainingscrawlers
img2dataset is een bot die pagina's verzamelt om AI-modellen mee te trainen. Downloadt grote hoeveelheden afbeeldingen naar datasets voor LLM-training of andere doeleinden. Er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is, en een regel in robots.txt alleen houdt een vervalsing niet tegen.
Verzoek meldt
"img2dataset"
Gecontroleerd aan de hand van
Niets gepubliceerd
Live check
Voor img2dataset bestaat geen check van de beheerder. Je ziet hier toch wat het adres echt is.
Referentie
| User agent | img2datasetAlleen token: match op de substring. |
|---|---|
| Beheerder | img2dataset |
| Doel | Verzamelt afbeeldingen voor gebruik in LLM's. |
| Respecteert robots.txt | Geen beleid |
| Verificatiemethode | Alleen beweringNiets gepubliceerd, alleen user agent Voor deze agent is geen bestand met IP-bereiken en geen reverse-DNS-conventie gepubliceerd. De user-agent-string is het enige signaal, en elke client kan die meesturen. Zie een match daarom als een bewering en niet als bewijs. |
| Crawlpatroon | Naar keuze van de gebruikers van img2dataset. |
| robots.txt-tokens | img2dataset |
| Documentatie van de beheerder | Niets gepubliceerd |
Downloadt grote hoeveelheden afbeeldingen naar datasets voor LLM-training of andere doeleinden.
robots.txt
Plak er een in de root van je domein. Regels gelden per token.
User-agent: img2dataset
Disallow: /User-agent: img2dataset
Allow: /User-agent: img2dataset
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /searchPas de Disallow-paden aan zodat ze overeenkomen met je eigen URL's.
Als je img2dataset blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.
Maak een bestand voor alle crawlersFAQ
img2dataset is een bot die pagina's verzamelt om AI-modellen mee te trainen. Downloadt grote hoeveelheden afbeeldingen naar datasets voor LLM-training of andere doeleinden. Er is geen lijst met IP-ranges of reverse DNS-conventie gepubliceerd. Je kunt dus niet bewijzen dat een verzoek met deze user agent echt is, en een regel in robots.txt alleen houdt een vervalsing niet tegen.
Niet gedocumenteerd. Geen enkele beheerder heeft verklaard of img2dataset robots.txt leest. Voeg de regel dus toe, maar controleer in je logs of de verzoeken echt stoppen.
Dat kan niet, in elk geval niet op basis van het verzoek zelf. Voor deze agent is geen bestand met IP-bereiken en geen reverse-DNS-conventie gepubliceerd. De user-agent-string is het enige signaal, en elke client kan die meesturen. Zie een match daarom als een bewering en niet als bewijs. Vergelijk in plaats daarvan het bron-IP met hosting- en datacenterranges, en pas rate limiting toe op alles wat zich als een crawler gedraagt.
Voeg het token img2dataset toe aan robots.txt met Disallow: /. Negeert de crawler robots.txt, filter dan op de user agent in je CDN of reverse proxy en geef daar een 403 terug.
Als je img2dataset blokkeert, worden je pagina's niet gebruikt in de volgende trainingsronde. Wat al verzameld is, wordt niet verwijderd, en het heeft geen invloed op je posities in gewone zoekmachines.