Erzeugt einen hochrealistischen macOS-Screenshot eines Programmierers, der in VS Code ein Python-Modell zur Bildklassifizierung trainiert, inklusive Live-Browser-Dashboard – ideal für Produkt-Mockups, Social-Media-Posts und KI-Demo-Visualisierungen.
Eingabe
Ein fotorealistischer macOS-Desktop-Screenshot des Arbeitsplatzes eines Machine-Learning-Ingenieurs bei Nacht, frontal aufgenommen, mit dunkelblauer macOS-Menüleiste und sichtbarem Dock am unteren Rand. Der Desktop enthält genau 2 Hauptanwendungsfenster nebeneinander. Links nimmt ein großes Visual Studio Code-Fenster im Dark Mode etwa zwei Drittel des Bildschirms ein. Das VS Code-Projekt heißt in der Explorer-Seitenleiste „VISIONCLASSIFIER“ und zeigt eine realistische Python-ML-Ordnerstruktur mit genau 11 sichtbaren Elementen auf oberster oder erweiterter Ebene: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. Im Ordner notebooks sind genau 2 Dateien sichtbar: 01_data_exploration.ipynb und 02_model_training.ipynb. Im Ordner src ist eine realistische ML-Codestruktur zu sehen mit dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. Der Editor-Bereich hat genau 4 geöffnete Tabs: trainer.py, engine.py, resnet.py, config.yaml. Der aktive Tab ist trainer.py. Zeigen Sie sauberen, glaubwürdigen Python-Trainingscode für eine ResNet-Bildklassifizierungs-Pipeline, einschließlich einer Klasse Trainer, Methoden train(self) und train_epoch(self, epoch: int) -> Dict[str, float], sowie Referenzen auf self.cfg.training.epochs, train_metrics, val_metrics, scheduler.step, save_checkpoint, self.model.train(), batch["image"], batch["label"], optimizer.zero_grad, criterion, loss.backward, optimizer.step, accuracy(outputs, targets, topk=(1,))[0]. Der Code soll scharf, aber natürlich wie auf einem Bildschirm wirken, mit sichtbaren Zeilennummern von etwa 24 bis 52. Am unteren Rand des VS Code-Fensters ist das integrierte Terminal im Tab TERMINAL geöffnet und zeigt realistische Trainingsprotokolle für genau 4 Epochen: Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, jeweils mit Train- und Val-Zeilen für Loss, Acc@1 und Acc@5 sowie einer letzten Zeile, die das Speichern eines neuen besten Checkpoints bestätigt. Die Zahlen sollen für einen erfolgreichen Trainingslauf plausibel sein, mit einer Top-1-Genauigkeit von etwa 0,88 bis 0,91 und einer Top-5-Genauigkeit von etwa 0,97 bis 0,98. Fügen Sie die übliche VS Code-Statusleiste am unteren Rand mit Details zur Python-Umgebung hinzu. Rechts befindet sich genau 1 Webbrowser-Fenster im Dark Mode, das ein lokales Dashboard unter localhost:8000 zeigt, mit dem Seitentitel „VisionClassifier | Dashboard“, der App-Überschrift „VisionClassifier“ und dem Untertitel „Image Classification Model“. Das Dashboard enthält genau 3 gestapelte Abschnitte. Der erste Abschnitt ist „Model Overview“ mit genau 4 Metrik-Karten: Top-1 Accuracy 91,23 %, Top-5 Accuracy 98,30 %, Total Parameters 23,51M, Model ResNet-50. Der zweite Abschnitt ist „Recent Training“ mit einem dunklen Liniendiagramm der Genauigkeit über 50 Epochen, das genau 2 farbige Kurven zeigt, beschriftet als Train (Top-1) und Val (Top-1), die beide schnell ansteigen und sich im niedrigen 90er-Bereich stabilisieren. Der dritte Abschnitt ist „Confusion Matrix“, eine 10x10-Heatmap mit einer hellen Diagonale und Achsen, die als True Label und Predicted Label beschriftet sind. Verwenden Sie subtile Reflexionen, gestochen scharfe Typografie, realistisches UI-Spacing und ein glaubwürdiges Bildschirmleuchten. Die macOS-Menüleiste oben sollte links gängige Menüs wie Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help und rechts System-Icons mit der Uhrzeit Tue May 13 9:41 AM anzeigen. Das Dock sollte viele erkennbare App-Icons enthalten und authentisch, aber nicht ablenkend wirken. Gesamtstil: ultra-realistischer Screenshot, professionelle Entwickler-Workstation, polierte Dark-Mode-Oberflächen, keine Stilisierung, keine Illustration, von einer echten Bildschirmaufnahme nicht zu unterscheiden.
So verwendest du diesen Prompt
1
Kopiere den vollständigen Prompt oben.
2
Öffne eine Plattform, die GPT Image 2 unterstützt, etwa YouMind, und füge den Prompt ein.
3
Tausche Motiv, Stil oder Details nach deiner Idee aus und generiere dann.
Dies ist ein kostenloser AI-Prompt aus der Prompt-Bibliothek von YouMind. Entdecke Tausende weitere bild-Prompts, alle frei zum Kopieren und Anpassen.
Lass die KI Zehntausende Prompts durchsuchen. Filtere nach Modell, Zeitraum und Keywords und sortiere nach Engagement — Aufrufe, Lesezeichen, Reposts und mehr.
Verwandeln Sie jedes Foto in einen detaillierten AI-Bild-Prompt. Der kostenlose Image-to-Prompt-Konverter analysiert Komposition, Stil und Licht, damit Sie jeden Look in Sekunden nachbauen können.
