训练爬虫
img2dataset 是一个机器人，它会收集网页用于训练 AI 模型。将大量图片下载为数据集，用于 LLM 训练或其他用途。运营方未公布 IP 范围列表或反向 DNS 规则，因此无法证明带有此 user agent 的请求是真实的，仅靠 robots.txt 规则也无法阻止伪造请求。
请求声明
"img2dataset"
核验依据
未公布
实时检查
img2dataset 没有可供核验的运营方信息。此处仍会显示该地址的真实情况。
参考
| User agent | img2dataset仅为标识符：按子串匹配。 |
|---|---|
| 运营方 | img2dataset |
| 用途 | 抓取图片，供 LLM 使用。 |
| 是否遵守 robots.txt | 未声明 |
| 验证方法 | 仅自称未公布，仅凭 user agent 该代理尚未公布 IP 范围文件或反向 DNS 约定。user agent 字符串是唯一的识别依据，而任何客户端都可以发送该字符串，因此匹配结果只能视为一种声称，不能作为证明。 |
| 抓取模式 | 由 img2dataset 用户自行决定。 |
| robots.txt 标识符 | img2dataset |
| 运营方文档 | 未发布 |
将大量图片下载为数据集，用于 LLM 训练或其他用途。
robots.txt
选择一项粘贴到域名根目录下。规则按标识符分别生效。
User-agent: img2dataset
Disallow: /User-agent: img2dataset
Allow: /User-agent: img2dataset
Allow: /
Disallow: /account/
Disallow: /checkout/
Disallow: /search请修改 Disallow 路径，使其与你自己的 URL 一致。
FAQ
img2dataset 是一个机器人，它会收集网页用于训练 AI 模型。将大量图片下载为数据集，用于 LLM 训练或其他用途。运营方未公布 IP 范围列表或反向 DNS 规则，因此无法证明带有此 user agent 的请求是真实的，仅靠 robots.txt 规则也无法阻止伪造请求。
无文档说明。运营方未说明 img2dataset 是否读取 robots.txt，因此请添加规则，并通过日志确认请求确实已停止。
无法验证，至少无法仅凭请求本身验证。该代理尚未公布 IP 范围文件或反向 DNS 约定。user agent 字符串是唯一的识别依据，而任何客户端都可以发送该字符串，因此匹配结果只能视为一种声称，不能作为证明。可改为将来源 IP 与托管和数据中心的 IP 范围进行比对，并对任何表现得像爬虫的流量进行限速。
在 robots.txt 中为 img2dataset 标识添加 Disallow: /。如果该爬虫不遵守 robots.txt，请在 CDN 或反向代理上匹配其 user agent 并返回 403。
屏蔽 img2dataset 可使你的网页不进入下一轮训练。它不会删除已收集的内容，也不会影响网站在普通搜索中的排名。