Classificatie van afbeeldingen: Echte kunst vs. AI-gegenereerde kunst

🖼️ Beeldclassificatie: Echte kunst vs. AI-gegenereerde kunst

In dit probleem moet je een beeldclassificatiemodel implementeren dat onderscheid kan maken tussen echte kunstafbeeldingen en afbeeldingen gegenereerd door kunstmatige intelligentie.
De dataset is georganiseerd in een directory met afbeeldingen en CSV-bestanden, en de prestatie van het model wordt geëvalueerd met behulp van F1-score.

---

🔹 De dataset

De dataset bevat twee soorten afbeeldingen:

• RealArt – echte afbeeldingen (label 0)
• AIArt – afbeeldingen gegenereerd door AI-modellen (label 1)

Deze afbeeldingen zijn beschikbaar in de directory images.

Bijbehorende bestanden:

• train.csv – voor training
• test.csv – voor voorspellingen

---

📁 Structuur van de CSV-bestanden

train.csv

Kolommen:

• SampleID – unieke numerieke identificator
• ImagePath – pad naar afbeelding (bijv: images/img_000123.jpg)
• Label – 0 voor echte kunst, 1 voor AI-gegenereerde kunst

---

test.csv

Kolommen:

• SampleID
• ImagePath

Zonder labels — deze moeten door het model voorspeld worden.

---

🎯 Doel van het probleem

Het model moet leren om elke afbeelding te classificeren in een van de volgende klassen:

• 0 → Echte kunst
• 1 → AI-gegenereerde kunst

---

⚙️ Evaluatiecriteria

De evaluatie wordt gedaan met behulp van F1-score op de ingediende voorspellingen voor de testset.

Formule:

---

📨 Formaat van het inzendingsbestand

Het CSV-bestand moet precies twee kolommen bevatten:

Kolom	Type	Beschrijving
SampleID	integer	ID van de afbeelding uit test
Label	integer	Voorspelling (0 of 1)

🔹 Voorbeeld

SampleID	Label
101	0
102	1
103	1

---

📝 Opmerking

• F1-score ≥ 0.85 → maximale score
• F1-score < 0.5 → 0 punten
• Overige waarden worden proportioneel geschaald

---

🌐 Herkomst van de data

Voor dit probleem wordt een publieke dataset beschikbaar op Kaggle gebruikt.