Génère une capture d'écran macOS ultra-réaliste d'un programmeur entraînant un modèle de classification d'images Python dans VS Code avec un tableau de bord de navigateur en direct, idéal pour les maquettes de produits, les publications sur les réseaux sociaux et les visuels de démonstration IA.
Consigne
Une capture d'écran de bureau macOS photoréaliste de l'espace de travail d'un ingénieur en apprentissage automatique (ML) de nuit, vue de face avec une barre de menus macOS bleu foncé et le dock visible en bas. Le bureau contient exactement 2 fenêtres d'application principales côte à côte. À gauche, une grande fenêtre Visual Studio Code en mode sombre occupe environ les deux tiers de l'écran. Le projet VS Code est nommé "VISIONCLASSIFIER" dans la barre latérale Explorer, avec une arborescence de dossiers ML Python réaliste comprenant exactement 11 éléments visibles au niveau supérieur ou développés : .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. Dans notebooks, affichez exactement 2 fichiers visibles : 01_data_exploration.ipynb et 02_model_training.ipynb. Dans src, affichez une structure de code ML réaliste avec dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. La zone d'édition a exactement 4 onglets ouverts : trainer.py, engine.py, resnet.py, config.yaml. L'onglet actif est trainer.py. Affichez un code d'entraînement Python propre et crédible pour un pipeline de classification d'images ResNet, incluant une classe Trainer, des méthodes train(self) et train_epoch(self, epoch: int) -> Dict[str, float], des références à 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]. Rendez le code net mais naturellement semblable à un écran, avec des numéros de ligne visibles autour des lignes 24 à 52. En bas de la fenêtre VS Code, le terminal intégré est ouvert sur l'onglet TERMINAL et affiche des journaux d'entraînement réalistes pour exactement 4 époques visibles : Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, chacune avec des lignes train et val listant Loss, Acc@1 et Acc@5, plus une ligne finale indiquant qu'un nouveau meilleur point de contrôle a été enregistré. Gardez les chiffres plausibles pour une exécution d'entraînement réussie, avec une précision top-1 autour de 0,88 à 0,91 et top-5 autour de 0,97 à 0,98. Incluez la barre d'état VS Code habituelle en bas avec les détails de l'environnement Python. À droite, placez exactement 1 fenêtre de navigateur web en mode sombre affichant un tableau de bord local sur localhost:8000 avec le titre de page "VisionClassifier | Dashboard" et l'en-tête d'application "VisionClassifier" plus le sous-titre "Image Classification Model". Le tableau de bord contient exactement 3 sections empilées. La première section est "Model Overview" avec exactement 4 cartes de métriques : Top-1 Accuracy 91,23 %, Top-5 Accuracy 98,30 %, Total Parameters 23,51M, Model ResNet-50. La deuxième section est "Recent Training" avec un graphique linéaire sombre de la précision sur 50 époques, montrant exactement 2 courbes colorées étiquetées Train (Top-1) et Val (Top-1), toutes deux montant rapidement et se stabilisant autour de 90 %. La troisième section est "Confusion Matrix" montrant une carte thermique 10x10 avec une diagonale lumineuse et des axes étiquetés True Label et Predicted Label. Utilisez des reflets subtils, une typographie nette, un espacement d'interface utilisateur réaliste et une lueur d'écran crédible. La barre de menus supérieure de macOS doit afficher des menus courants comme Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help sur la gauche et des icônes système avec l'heure affichant Tue May 13 9:41 AM sur la droite. Le dock doit contenir de nombreuses icônes d'applications reconnaissables et sembler authentique sans être distrayant. Style global : capture d'écran ultra-réaliste, poste de travail de développeur professionnel, interfaces en mode sombre polies, aucune stylisation, aucune illustration, indiscernable d'une véritable capture d'écran.
Comment utiliser ce prompt
1
Copiez le prompt complet ci-dessus.
2
Ouvrez une plateforme compatible avec GPT Image 2, comme YouMind, et collez le prompt.
3
Modifiez le sujet, le style ou les détails selon votre idée, puis générez.
Voici un prompt IA gratuit de la bibliothèque de prompts de YouMind. Découvrez des milliers d'autres prompts images, tous libres de copie et d'adaptation.
Laissez l'IA chercher parmi des dizaines de milliers de prompts. Filtrez par modèle, plage de dates et mots-clés, puis triez par engagement : vues, favoris, partages et plus.
Transformez toute photo en prompt d'image IA détaillé. Le convertisseur image vers prompt gratuit analyse la composition, le style et la lumière pour recréer n'importe quel rendu en quelques secondes.
