Gera uma captura de tela fotorrealista de macOS de um programador treinando um modelo de classificação de imagem em Python no VS Code com um painel de navegador ao vivo, útil para mockups de produtos, posts em redes sociais e visuais de demonstração de IA.
Uma captura de tela fotorrealista de um desktop macOS do espaço de trabalho de um engenheiro de machine learning à noite, exibida de frente com uma barra de menu do macOS azul-escura e o dock visível na parte inferior. O desktop contém exatamente 2 janelas de aplicativos principais lado a lado. À esquerda, uma janela grande do Visual Studio Code em tema escuro ocupa cerca de dois terços da tela. O projeto no VS Code chama-se "VISIONCLASSIFIER" na barra lateral Explorer, com uma árvore de pastas de ML em Python realista incluindo exatamente 11 itens visíveis no nível superior ou expandidos: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. Dentro de notebooks, mostre exatamente 2 arquivos visíveis: 01_data_exploration.ipynb e 02_model_training.ipynb. Dentro de src, mostre uma estrutura de código de ML realista com dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. A área do editor tem exatamente 4 abas abertas: trainer.py, engine.py, resnet.py, config.yaml. A aba ativa é trainer.py. Exiba um código de treinamento Python limpo e verossímil para um pipeline de classificação de imagem ResNet, incluindo uma classe Trainer, métodos train(self) e train_epoch(self, epoch: int) -> Dict[str, float], referências 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]. Deixe o código nítido, mas com aparência natural de tela, com números de linha visíveis entre as linhas 24 e 52. Na parte inferior da janela do VS Code, o terminal integrado está aberto na aba TERMINAL e mostra logs de treinamento realistas para exatamente 4 épocas visíveis: Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, cada uma com linhas de treino e validação listando Loss, Acc@1 e Acc@5, além de uma linha final informando que um novo melhor checkpoint foi salvo. Mantenha os números plausíveis para uma execução de treinamento bem-sucedida, com precisão top-1 em torno de 0,88 a 0,91 e top-5 em torno de 0,97 a 0,98. Inclua a barra de status padrão do VS Code na parte inferior com detalhes do ambiente Python. À direita, coloque exatamente 1 janela de navegador web com tema escuro mostrando um painel local em localhost:8000 com o título da página "VisionClassifier | Dashboard" e o cabeçalho do aplicativo "VisionClassifier" mais o subtítulo "Image Classification Model". O painel contém exatamente 3 seções empilhadas. A primeira seção é "Model Overview" com exatamente 4 cartões de métricas: Top-1 Accuracy 91.23%, Top-5 Accuracy 98.30%, Total Parameters 23.51M, Model ResNet-50. A segunda seção é "Recent Training" com um gráfico de linhas escuro da precisão ao longo de 50 épocas, mostrando exatamente 2 curvas coloridas rotuladas como Train (Top-1) e Val (Top-1), ambas subindo rapidamente e estabilizando em torno de 90%. A terceira seção é "Confusion Matrix" mostrando um mapa de calor 10x10 com uma diagonal brilhante e eixos rotulados como True Label e Predicted Label. Use reflexos sutis, tipografia nítida, espaçamento de interface realista e brilho de tela verossímil. A barra de menu superior do macOS deve mostrar menus comuns como Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help à esquerda e ícones do sistema com a hora marcando Tue May 13 9:41 AM à direita. O dock deve conter muitos ícones de aplicativos reconhecíveis e parecer autêntico, mas não distrativo. Estilo geral: captura de tela ultrarrealista, estação de trabalho de desenvolvedor profissional, interfaces em modo escuro polidas, sem estilização, sem ilustração, indistinguível de uma captura de tela real.
