Escritorio de desarrollador de ML fotorrealista
Esto genera una captura de pantalla de macOS altamente realista de un programador entrenando un modelo de clasificación de imágenes en Python dentro de VS Code con un panel de control en el navegador en vivo, útil para maquetas de productos, publicaciones en redes sociales y visuales de demostraciones de IA.
Instrucción
Una captura de pantalla fotorrealista de un escritorio de macOS del espacio de trabajo de un ingeniero de aprendizaje automático por la noche, mostrada de frente con una barra de menú de macOS azul oscuro y el dock visible en la parte inferior. El escritorio contiene exactamente 2 ventanas de aplicaciones principales una al lado de la otra. A la izquierda, una ventana grande de Visual Studio Code en modo oscuro ocupa aproximadamente dos tercios de la pantalla. El proyecto de VS Code se llama "VISIONCLASSIFIER" en la barra lateral del Explorador, con un árbol de carpetas de ML en Python realista que incluye exactamente 11 elementos visibles de nivel superior o expandidos: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. Dentro de notebooks, muestra exactamente 2 archivos visibles: 01_data_exploration.ipynb y 02_model_training.ipynb. Dentro de src, muestra una estructura de código de ML realista con dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. El área del editor tiene exactamente 4 pestañas abiertas: trainer.py, engine.py, resnet.py, config.yaml. La pestaña activa es trainer.py. Muestra código de entrenamiento de Python limpio y creíble para una canalización de clasificación de imágenes ResNet, incluyendo una clase Trainer, métodos train(self) y train_epoch(self, epoch: int) -> Dict[str, float], referencias a 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]. Haz que el código sea nítido pero con un aspecto natural de pantalla, con números de línea visibles alrededor de las líneas 24 a 52. En la parte inferior de la ventana de VS Code, la terminal integrada está abierta en la pestaña TERMINAL y muestra registros de entrenamiento realistas para exactamente 4 épocas a la vista: Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, cada una con líneas de train y val que enumeran Loss, Acc@1 y Acc@5, además de una línea final que indica que se guardó un nuevo mejor punto de control. Mantén los números plausibles para una ejecución de entrenamiento exitosa, con una precisión top-1 de alrededor de 0.88 a 0.91 y top-5 de alrededor de 0.97 a 0.98. Incluye la barra de estado habitual de VS Code a lo largo de la parte inferior con los detalles del entorno de Python. A la derecha, coloca exactamente 1 ventana de navegador web en modo oscuro que muestre un panel de control local en localhost:8000 con el título de página "VisionClassifier | Dashboard" y el encabezado de la aplicación "VisionClassifier" más el subtítulo "Image Classification Model". El panel de control contiene exactamente 3 secciones apiladas. La primera sección es "Model Overview" con exactamente 4 tarjetas de métricas: Top-1 Accuracy 91.23%, Top-5 Accuracy 98.30%, Total Parameters 23.51M, Model ResNet-50. La segunda sección es "Recent Training" con un gráfico de líneas oscuras de precisión durante 50 épocas, que muestra exactamente 2 curvas de colores etiquetadas como Train (Top-1) y Val (Top-1), ambas subiendo rápidamente y estabilizándose alrededor de los 90 bajos. La tercera sección es "Confusion Matrix" que muestra un mapa de calor de 10x10 con una diagonal brillante y ejes etiquetados como True Label y Predicted Label. Usa reflejos sutiles, tipografía nítida, espaciado de interfaz de usuario realista y un brillo de pantalla creíble. La barra de menú superior de macOS debe mostrar menús comunes como Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help a la izquierda e iconos del sistema con la hora marcando Tue May 13 9:41 AM a la derecha. El dock debe contener muchos iconos de aplicaciones reconocibles y sentirse auténtico pero no distraer. Estilo general: captura de pantalla ultrarrealista, estación de trabajo de desarrollador profesional, interfaces pulidas en modo oscuro, sin estilización, sin ilustraciones, indistinguible de una captura de pantalla real.
Cómo usar este prompt
- 1
Copia el prompt completo de arriba.
- 2
Abre una plataforma compatible con GPT Image 2, como YouMind, y pega el prompt.
- 3
Cambia el tema, el estilo o los detalles según tu idea y luego genera.
Este es un prompt de IA gratuito de la biblioteca de prompts de YouMind. Explora miles de prompts de imagen más, todos gratis para copiar y adaptar.
Explorar más prompts de imagenMás de GPT Image 2
Ilustración editorial estilo doodle coreano
@Sairah
Póster infográfico del término solar Xiaoshu
@小小东
Póster de viaje minimalista de ciudad
@Taaruk
Diseño de empaque con collage hecho a mano
@小小东
Fondo de pantalla de reproductor de música anime color menta
@あまり🖋️AI &フリー素材配布
Cuadrícula comparativa: De foto a boceto de anime
@Cherry 2.O
Todas las categorías de Imagen
01
Casos de uso
Más funciones de prompts
Biblioteca de IA
Búsqueda de prompts con IA
Que la IA busque entre decenas de miles de prompts. Filtrá por modelo, rango de fechas y palabras clave, y ordená por interacción: vistas, guardados, reposts y más.
Herramientas de visión
Imagen a prompt
Convierte cualquier foto en un prompt de imagen IA detallado. El conversor gratuito de imagen a prompt analiza composición, estilo e iluminación para recrear cualquier estética en segundos.
Otras funciones de prompts
Por modelo
Herramientas IA
Creado para creadores. Gratis para siempre.
YouMind es el copiloto creativo con IA en el que confían creadores de todo el mundo. Cada prompt está curado para ayudarte a crear mejor y más rápido.