სურათების კლასიფიკაცია: რეალური ხელოვნება vs AI-ს მიერ გენერირებული ხელოვნება

🖼️ სურათების კლასიფიკაცია: რეალური ხელოვნება vs AI-ის მიერ გენერირებული ხელოვნება

ამ ამოცანაში უნდა განახორციელოთ სურათების კლასიფიკაციის მოდელი, რომელიც შეძლებს რეალური ხელოვნების სურათებისა და ხელოვნური ინტელექტის მიერ გენერირებული სურათების გარჩევას.
მონაცემთა ნაკრები ორგანიზებულია დირექტორიაში სურათებითა და CSV ფაილებით, ხოლო მოდელის შესრულება შეფასდება F1-score-ის გამოყენებით.

---

🔹 მონაცემთა ნაკრები

მონაცემთა ნაკრები შეიცავს ორი ტიპის სურათებს:

• RealArt – რეალური სურათები (ლეიბლი 0)
• AIArt – AI მოდელების მიერ გენერირებული სურათები (ლეიბლი 1)

ეს სურათები ხელმისაწვდომია images დირექტორიაში.

ასოცირებული ფაილები:

• train.csv – ტრენინგისთვის
• test.csv – პროგნოზებისთვის

---

📁 CSV ფაილების სტრუქტურა

train.csv

სვეტები:

• SampleID – უნიკალური რიცხვითი იდენტიფიკატორი
• ImagePath – სურათისკენ მიმავალი გზა (მაგ: images/img_000123.jpg)
• Label – 0 რეალური ხელოვნებისთვის, 1 AI-ის მიერ გენერირებული ხელოვნებისთვის

---

test.csv

სვეტები:

• SampleID
• ImagePath

ლეიბლების გარეშე — ისინი უნდა იყოს პროგნოზირებული მოდელის მიერ.

---

🎯 ამოცანის მიზანი

მოდელმა უნდა ისწავლოს თითოეული სურათის კლასიფიკაცია შემდეგ კლასებში:

• 0 → რეალური ხელოვნება
• 1 → AI-ის მიერ გენერირებული ხელოვნება

---

⚙️ შეფასების კრიტერიუმები

შეფასება ხდება F1-score-ის გამოყენებით ტესტ ნაკრებისთვის გაგზავნილ პროგნოზებზე.

ფორმულა:

---

📨 წარდგენის ფაილის ფორმატი

CSV ფაილი უნდა შეიცავდეს ზუსტად ორ სვეტს:

სვეტი	ტიპი	აღწერა
SampleID	integer	სურათის ID ტესტიდან
Label	integer	პროგნოზი (0 ან 1)

🔹 მაგალითი

SampleID	Label
101	0
102	1
103	1

---

📝 შენიშვნა

• F1-score ≥ 0.85 → მაქსიმალური ქულა
• F1-score < 0.5 → 0 ქულა
• დანარჩენი მნიშვნელობები მასშტაბირდება პროპორციულად

---

🌐 მონაცემების წარმოშობა

ამ ამოცანისთვის გამოიყენება საჯარო მონაცემთა ნაკრები, რომელიც ხელმისაწვდომია Kaggle-ზე.