Photoreal ML Developer Desktop
This generates a highly realistic macOS screenshot of a programmer training a Python image-classification model in VS Code with a live browser dashboard, useful for product mockups, social posts, and AI demo visuals.
프롬프트
야간의 머신러닝 엔지니어 작업 공간을 담은 사실적인 macOS 데스크톱 스크린샷입니다. 정면에서 바라본 모습으로, 다크 블루 색상의 macOS 메뉴 막대와 하단의 Dock이 보입니다. 데스크톱에는 2개의 주요 애플리케이션 창이 나란히 배치되어 있습니다. 왼쪽에는 다크 테마의 대형 Visual Studio Code 창이 화면의 약 3분의 2를 차지합니다. VS Code 프로젝트 탐색기 사이드바에는 "VISIONCLASSIFIER"라는 이름이 표시되어 있으며, .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md 등 총 11개의 상위 항목 또는 확장된 항목이 포함된 사실적인 Python ML 폴더 트리가 보입니다. notebooks 폴더 내부에는 01_data_exploration.ipynb와 02_model_training.ipynb라는 2개의 파일이 보입니다. src 폴더 내부에는 dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py로 구성된 사실적인 ML 코드 구조가 나타납니다. 편집기 영역에는 trainer.py, engine.py, resnet.py, config.yaml 등 4개의 탭이 열려 있으며, 활성 탭은 trainer.py입니다. ResNet 이미지 분류 파이프라인을 위한 깔끔하고 신뢰할 수 있는 Python 학습 코드를 표시하십시오. 여기에는 Trainer 클래스, train(self) 및 train_epoch(self, epoch: int) -> Dict[str, float] 메서드, 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]에 대한 참조가 포함되어야 합니다. 코드는 24행에서 52행 사이의 줄 번호가 보이도록 선명하면서도 자연스러운 화면 느낌으로 표현하십시오. VS Code 창 하단의 통합 터미널에는 TERMINAL 탭이 열려 있으며, Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50 등 총 4개 에포크의 사실적인 학습 로그가 표시됩니다. 각 로그에는 Loss, Acc@1, Acc@5가 포함된 학습 및 검증 라인이 있으며, 마지막 줄에는 새로운 최적의 체크포인트가 저장되었다는 문구가 포함됩니다. 성공적인 학습 실행을 위해 Top-1 정확도는 0.88에서 0.91 사이, Top-5 정확도는 0.97에서 0.98 사이로 설정하여 수치를 그럴듯하게 유지하십시오. 하단에는 Python 환경 세부 정보가 포함된 일반적인 VS Code 상태 표시줄을 포함하십시오. 오른쪽에는 localhost:8000에서 로컬 대시보드를 보여주는 다크 테마의 웹 브라우저 창을 배치하십시오. 페이지 제목은 "VisionClassifier | Dashboard"이며, 앱 헤더는 "VisionClassifier", 부제목은 "Image Classification Model"입니다. 대시보드에는 3개의 섹션이 쌓여 있습니다. 첫 번째 섹션인 "Model Overview"에는 Top-1 Accuracy 91.23%, Top-5 Accuracy 98.30%, Total Parameters 23.51M, Model ResNet-50이라는 4개의 지표 카드가 있습니다. 두 번째 섹션인 "Recent Training"에는 50 에포크 동안의 정확도를 보여주는 다크 라인 차트가 있으며, Train (Top-1) 및 Val (Top-1)로 라벨이 지정된 2개의 곡선이 90% 초반대에서 안정화되는 모습을 보여줍니다. 세 번째 섹션인 "Confusion Matrix"는 밝은 대각선과 True Label 및 Predicted Label로 라벨이 지정된 축이 있는 10x10 히트맵을 보여줍니다. 미묘한 반사 효과, 선명한 타이포그래피, 사실적인 UI 간격, 그리고 실제 화면과 같은 은은한 빛을 사용하십시오. macOS 상단 메뉴 막대에는 왼쪽부터 Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help와 같은 일반적인 메뉴가, 오른쪽에는 Tue May 13 9:41 AM 시간이 표시된 시스템 아이콘이 있어야 합니다. Dock에는 인식 가능한 다양한 앱 아이콘이 포함되어야 하며, 산만하지 않으면서도 실제와 같은 느낌을 주어야 합니다. 전체 스타일: 초현실적인 스크린샷, 전문 개발자 워크스테이션, 세련된 다크 모드 인터페이스, 스타일화나 일러스트레이션 없음, 실제 화면 캡처와 구별할 수 없는 품질.
기계 번역 — 실제 결과물을 만든 것은 원문 프롬프트입니다.
원문 프롬프트
A photorealistic macOS desktop screenshot of a machine learning engineer’s workspace at night, shown straight-on with a dark blue macOS menu bar and the dock visible along the bottom. The desktop contains exactly 2 main application windows side by side. On the left, a large Visual Studio Code window in dark theme occupies about two-thirds of the screen. The VS Code project is named "VISIONCLASSIFIER" in the Explorer sidebar, with a realistic Python ML folder tree including exactly 11 visible top-level or expanded items: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, README.md. Inside notebooks, show exactly 2 visible files: 01_data_exploration.ipynb and 02_model_training.ipynb. Inside src, show a realistic ML code structure with dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, utils.py. The editor area has exactly 4 tabs open: trainer.py, engine.py, resnet.py, config.yaml. The active tab is trainer.py. Display clean, believable Python training code for a ResNet image classification pipeline, including a class Trainer, methods train(self) and train_epoch(self, epoch: int) -> Dict[str, float], references to 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]. Make the code sharp but naturally screen-like, with line numbers visible around lines 24 to 52. At the bottom of the VS Code window, the integrated terminal is open on the TERMINAL tab and shows realistic training logs for exactly 4 epochs in view: Epoch 12/50, Epoch 13/50, Epoch 14/50, Epoch 15/50, each with train and val lines listing Loss, Acc@1, and Acc@5, plus a final line saying a new best checkpoint was saved. Keep the numbers plausible for a successful training run, with top-1 accuracy around 0.88 to 0.91 and top-5 around 0.97 to 0.98. Include the usual VS Code status bar along the bottom with Python environment details. On the right, place exactly 1 dark-themed web browser window showing a local dashboard at localhost:8000 with the page title "VisionClassifier | Dashboard" and the app header "VisionClassifier" plus subtitle "Image Classification Model". The dashboard contains exactly 3 stacked sections. The first section is "Model Overview" with exactly 4 metric cards: Top-1 Accuracy 91.23%, Top-5 Accuracy 98.30%, Total Parameters 23.51M, Model ResNet-50. The second section is "Recent Training" with a dark line chart of accuracy over 50 epochs, showing exactly 2 colored curves labeled Train (Top-1) and Val (Top-1), both rising quickly and stabilizing around the low 90s. The third section is "Confusion Matrix" showing a 10x10 heatmap with a bright diagonal and axes labeled True Label and Predicted Label. Use subtle reflections, crisp typography, realistic UI spacing, and believable screen glow. The macOS top menu bar should show common menus like Code, File, Edit, Selection, View, Go, Run, Terminal, Window, Help on the left and system icons with the time reading Tue May 13 9:41 AM on the right. The dock should contain many recognizable app icons and feel authentic but not distracting. Overall style: ultra-realistic screenshot, professional developer workstation, polished dark mode interfaces, no stylization, no illustration, indistinguishable from a real screen capture.