Desktop per sviluppatori di machine learning fotorealistici

Uno screenshot fotorealistico del desktop di macOS di un ambiente di lavoro di un ingegnere di machine learning di notte, mostrato frontalmente con una barra dei menu macOS blu scuro e il dock visibile lungo il fondo. Il desktop contiene esattamente 2 finestre di applicazioni principali affiancate. A sinistra, una grande finestra di Visual Studio Code in tema scuro occupa circa due terzi dello schermo. Il progetto VS Code è denominato "VISIONCLASSIFIER" nella barra laterale Explorer, con una struttura di cartelle Python ML realistica che include esattamente 11 elementi di primo livello o espansi visibili: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. All'interno di notebooks, mostra esattamente 2 file visibili: 01_data_exploration.ipynb e 02_model_training.ipynb. All'interno di src, mostra una struttura di codice ML realistica con dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. L'area dell'editor ha esattamente 4 schede aperte: trainer.py, engine.py, resnet.py, config.yaml. La scheda attiva è trainer.py. Visualizza un codice di training Python pulito e credibile per una pipeline di classificazione di immagini ResNet, inclusa una classe Trainer, metodi train(self) e train_epoch(self, epoch: int) -> Dict[str, float], riferimenti 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]. Rendi il codice nitido ma dall'aspetto naturale, come uno schermo, con i numeri di riga visibili intorno alle righe da 24 a 52. Nella parte inferiore della finestra VS Code, il terminale integrato è aperto sulla scheda TERMINAL e mostra registri di training realistici per esattamente 4 epoche in vista: Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, ciascuna con righe train e val che elencano Loss, Acc@1 e Acc@5, più una riga finale che indica che è stato salvato un nuovo checkpoint migliore. Mantieni i numeri plausibili per un'esecuzione di training di successo, con un'accuratezza top-1 intorno a 0.88-0.91 e un'accuratezza top-5 intorno a 0.97-0.98. Includi la barra di stato VS Code standard lungo il fondo con i dettagli dell'ambiente Python. A destra, posiziona esattamente 1 finestra del browser web a tema scuro che mostra una dashboard locale all'indirizzo localhost:8000 con il titolo della pagina "VisionClassifier | Dashboard" e l'intestazione dell'app "VisionClassifier" più il sottotitolo "Image Classification Model". La dashboard contiene esattamente 3 sezioni impilate. La prima sezione è "Model Overview" con esattamente 4 schede metriche: Top-1 Accuracy 91.23%, Top-5 Accuracy 98.30%, Total Parameters 23.51M, Model ResNet-50. La seconda sezione è "Recent Training" con un grafico a linee scuro dell'accuratezza su 50 epoche, che mostra esattamente 2 curve colorate etichettate Train (Top-1) e Val (Top-1), entrambe in rapida crescita e stabilizzazione intorno ai primi anni '90. La terza sezione è "Confusion Matrix" che mostra una heatmap 10x10 con una diagonale brillante e assi etichettati True Label e Predicted Label. Usa riflessi sottili, tipografia nitida, spaziatura realistica dell'interfaccia utente e una luce dello schermo credibile. La barra dei menu superiore di macOS dovrebbe mostrare menu comuni come Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help a sinistra e icone di sistema con l'ora che indica Mar 13 9:41 AM a destra. Il dock dovrebbe contenere molte icone di app riconoscibili e sembrare autentico ma non distraente. Stile generale: screenshot ultrarealistico, workstation di sviluppo professionale, interfacce in modalità scura lucide, nessuna stilizzazione, nessuna illustrazione, indistinguibile da una vera cattura dello schermo.