wkaandemir/ai-image-detector-dataset

AI Image Detector Dataset (training-v1)

wkaandemir/ai-image-detector modelini eğitmek için kullanılan, 20.000 normalize edilmiş görselden oluşan dengeli ve kaynak-farkında (source-aware) bir görüntü sınıflandırma veri kümesi. Görev, görselleri gerçek (real) ve yapay (fake) olarak ikili sınıflandırmaktır.

Bu veri kümesi, modelin kalibrasyon ve eşik seçiminde kullanılmayan, genelleme ölçümü için kaynak bazlı ayrı tutulmuş bir external_test split'i de içerir.

---

📌 İçindekiler

• Özet
• Bölünmeler (Splits)
• Dizin Yapısı
• Veri Kaynakları ve Lisanslar
• Kullanım
• Ön-işleme / Normalizasyon
• Etik Kullanım
• Atıf

---

📊 Özet

Toplam görsel	20.000 (normalize edilmiş)
Sınıflar	real (gerçek), fake (yapay) — dengeli
Split'ler	train / validation / test / external_test
Format	JPEG (kalite 92), maksimum kenar 1536px
Boyut	~6.8 GB
Lisans	CC-BY-NC-SA-4.0 (aşağıdaki kaynak bazında lisanslara bakın)
Seed	42
Tekrar yok	SHA-256 ile bölünmeler arası tekrar doğrulandı

---

📂 Bölünmeler (Splits)

Split	fake	real	Toplam	Kullanım
train	7.553	7.553	15.106	Model eğitimi
validation	944	944	1.888	Eğitim sırasında izleme + erken durdurma
test	944	944	1.888	Hold-out değerlendirme (model görmedi)
external_test	559	559	1.118	Kaynak bazlı genelleme ölçümü
Toplam	10.000	10.000	20.000

test ve external_test split'leri, eğitim ve eşik/kalibrasyon seçimi sırasında modele asla gösterilmedi.

---

🗂️ Dizin Yapısı

ImageFolder formatında düzenlenmiştir — alt klasör adları (fake, real) etiketi belirtir:

ai-image-detector-dataset/
├── README.md
├── manifest.csv              # train + validation + test için tam metadata
├── manifests/                # JSONL manifest'leri (external_test dahil)
│   ├── all.jsonl
│   ├── train.jsonl
│   ├── validation.jsonl
│   ├── test.jsonl
│   ├── external_test.jsonl
│   └── summary.json
├── train/
│   ├── fake/    (*.jpg)
│   └── real/    (*.jpg)
├── validation/
│   ├── fake/    (*.jpg)
│   └── real/    (*.jpg)
├── test/
│   ├── fake/    (*.jpg)
│   └── real/    (*.jpg)
└── external_test/
    ├── fake/    (*.jpg)
    └── real/    (*.jpg)

---

🔗 Veri Kaynakları ve Lisanslar

Bu veri kümesi üç açık kaynaktan derlenmiştir. En kısıtlayıcı lisans (CC-BY-NC-SA-4.0) tüm veri kümesine uygulanır.

Kaynak	Split'ler	Görsel sayısı	İçerik	Orijinal lisans
Spawning/PD12M	train, validation, test, external_test (real)	10.000	Gerçek (organik) görseller	Public-domain / CC0
pthan12/AIGenImages2026	train, validation, test, external_test (fake)	~5.020	Modern üreticiler (Flux, Midjourney, GPT Image, DALL·E, Reve, Imagen, Seedream vb.)	CC-BY-4.0
poloclub/diffusiondb	train, validation, test (fake)	~4.772	Eski Stable Diffusion çıktıları	CC-BY-NC-SA-4.0

Kaynak bazında split dağılımı

Split / Sınıf / Kaynak	Görsel
train / fake / aigenimages2026	3.735
train / fake / diffusiondb-2m	3.818
train / real / pd12m	7.553
validation / fake / aigenimages2026	467
validation / fake / diffusiondb-2m	477
validation / real / pd12m	944
test / fake / aigenimages2026	467
test / fake / diffusiondb-2m	477
test / real / pd12m	944
external_test / fake / aigenimages2026	559
external_test / real / pd12m	559

external_test split'i neden farklı?

external_test, tamamen aigenimages2026 (modern üreticiler) kaynağından gelir ve modelin eski üreticilere (DiffusionDB/Stable Diffusion) aşırı uyum sağlayıp sağlamadığını ölçmek için kullanılır. Eğitim ve doğrulamada yer almaz.

---

🚀 Kullanım

datasets kütüphanesi ile

from datasets import load_dataset

# Tüm split'leri yükle
ds = load_dataset("wkaandemir/ai-image-detector-dataset")

print(ds)
# DatasetDict:
#   train:         15106 örnek
#   validation:     1888 örnek
#   test:           1888 örnek
#   external_test:  1118 örnek

# Örnek yapısı
print(ds["train"][0])
# {'image': <PIL.JpegImagePlugin...>, 'label': 1}
# label: 0 = fake, 1 = real

Sadece tek bir split

ds = load_dataset("wkaandemir/ai-image-detector-dataset", split="test")

ImageFolder ile doğrudan

from torchvision.datasets import ImageFolder
from torchvision import transforms

tfm = transforms.Compose([
    transforms.Resize((256, 256)),
    transforms.ToTensor(),
])
train_ds = ImageFolder("ai-image-detector-dataset/train", transform=tfm)
# train_ds.classes == ['fake', 'real']

---

🛠️ Ön-işleme / Normalizasyon

Tüm görseller, veri kümesi derlenirken normalize edilmiştir:

• Format: JPEG
• Kalite: 92
• Maksimum kenar: 1536 piksel (oran korunarak küçültme)
• Tekrar önleme: SHA-256 özetine göre bölünmeler arası tekrar doğrulandı
• Grup bazında bölme: Aynı orijinal görselden türeyen varyantlar (kırpmalar vb.) group_id ile aynı split'te tutuldu — veri sızıntısını önlemek için

Her görsel için manifest.csv ve manifests/*.jsonl dosyalarında şu metadata bulunur:

label, split, source, generator, original_id, group_id, sha256, width, height, format, quality_bucket, resolution_bucket, license

---

🧭 Etik Kullanım

• Ticari olmayan: CC-BY-NC-SA-4.0 lisansı gereği bu veri kümesi ticari amaçlarla kullanılamaz.
• Aynı lisans: Türetilen veri kümeleri aynı CC-BY-NC-SA-4.0 lisansı altında paylaşılmalıdır.
• Atıf: Orijinal kaynaklara (PD12M, AIGenImages2026, DiffusionDB) ve bu veri kümesine atıfta bulunulmalıdır.
• Bireysel haklar: Görseller kişisel içerik barındırabilir; kullanım sırasında gizlilik ve kişilik haklarına saygı gösterilmelidir.

---

📖 Atıf

Bu veri kümesini kullanırsanız lütfen orijinal kaynaklara ve bu veri kümesine atıfta bulunun:

@misc{ai-image-detector-dataset-2026,
  title  = {AI Image Detector Dataset: Balanced real/fake image corpus for AI image detection},
  author = {Demir, Kaan},
  year   = {2026},
  url    = {https://huggingface.co/datasets/wkaandemir/ai-image-detector-dataset}
}

Orijinal kaynaklar:

• Spawning. PD12M. https://huggingface.co/datasets/Spawning/PD12M
• pthan12. AIGenImages2026. https://huggingface.co/datasets/pthan12/AIGenImages2026
• Poloclub (Chang et al.). DiffusionDB. https://huggingface.co/datasets/poloclub/diffusiondb