Desktop Pengembang ML Fotorealistik

Tangkapan layar hiper-realistis dari desktop macOS menampilkan ruang kerja seorang insinyur pembelajaran mesin di malam hari. Gambar diambil dari tampilan depan, dengan bilah menu macOS berwarna biru tua di bagian atas dan Dock terlihat di bagian bawah. Dua jendela aplikasi utama ditampilkan berdampingan di desktop. Di sebelah kiri terdapat jendela Visual Studio Code bertema gelap yang menempati sekitar dua pertiga layar. Proyek VS Code, yang diberi nama "VISIONCLASSIFIER" di bilah sisi penjelajah file, berisi pohon folder Python ML yang realistis dengan 11 item tingkat atas atau yang diperluas yang terlihat: .venv, data, raw, processed, images, notebooks, src, utils, config.yaml, requirements.txt, dan README.md. Di dalam folder notebooks, dua file yang terlihat ditampilkan: 01_data_exploration.ipynb dan 02_model_training.ipynb. Folder src menampilkan struktur kode ML yang sebenarnya, termasuk dataset.py, transforms.py, models, resnet.py, train, engine.py, trainer.py, dan utils.py. Empat tab terbuka di area editor: trainer.py, engine.py, resnet.py, dan config.yaml, dengan trainer.py saat ini aktif. Kode pelatihan Python yang jelas dan andal untuk pipeline klasifikasi gambar ResNet ditampilkan, termasuk kelas Trainer, metode train(self) dan train_epoch(self, epoch: int) -> Dict[str, float], yang merujuk pada 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, dan accuracy(outputs, targets, topk=(1,))[0]. Kode tersebut harus jelas dan memiliki tampilan layar yang alami, dengan nomor baris ditampilkan antara baris 24 dan 52. Jendela VS Code membuka tab TERMINAL terminal terintegrasi di bagian bawah, menampilkan log pelatihan aktual untuk empat epoch: Epoch 12/50, Epoch 13/50, Epoch 14/50, dan Epoch 15/50. Setiap baris berisi data pelatihan dan validasi untuk Loss, Acc@1, dan Acc@5, dengan baris terakhir menunjukkan bahwa checkpoint terbaik baru telah disimpan. Nilai-nilai tersebut harus mencerminkan proses pelatihan yang berhasil, dengan akurasi Top-1 antara 0,88 dan 0,91, dan akurasi Top-5 antara 0,97 dan 0,98. Bagian bawah menyertakan bilah status VS Code standar, yang menampilkan detail lingkungan Python. Di sebelah kanan terdapat jendela peramban web bertema gelap yang menampilkan dasbor lokal di localhost:8000, berjudul "VisionClassifier | Dashboard," dengan judul aplikasi "VisionClassifier" dan subjudul "Model Klasifikasi Gambar." Dasbor terdiri dari tiga bagian yang bertumpuk. Bagian pertama, "Gambaran Umum Model," mencakup empat kartu metrik: Akurasi Top-1 91,23%, Akurasi Top-5 98,30%, Total Parameter 23,51 juta, dan Model ResNet-50. Bagian kedua, "Pelatihan Terbaru," menampilkan grafik garis gelap akurasi selama 50 epoch, menampilkan dua kurva berwarna berlabel Latih (Top-1) dan Validasi (Top-1), yang naik dengan cepat dan stabil di sekitar 90%. Bagian ketiga, "Matriks Kebingungan," menampilkan peta panas 10x10 dengan garis diagonal terang dan sumbu berlabel Benar dan Diprediksi. Dengan memanfaatkan pantulan halus, tipografi yang jelas, jarak UI yang realistis, dan efek halo layar yang tampak nyata, bilah menu atas macOS menampilkan menu yang sering digunakan seperti Kode, File, Edit, Pilihan, Tampilan, Go, Jalankan, Terminal, Jendela, dan Bantuan di sebelah kiri, dan ikon sistem di sebelah kanan, dengan waktu yang ditampilkan sebagai Sel 13 Mei 9:41 AM. Dock harus berisi beberapa ikon aplikasi yang mudah dikenali, memberikan kesan realistis dan rapi secara keseluruhan. Gaya keseluruhan: tangkapan layar hiper-realistis, stasiun kerja pengembang profesional, antarmuka mode gelap yang disempurnakan, tidak bergaya, tanpa elemen seperti ilustrasi, tidak dapat dibedakan dari tangkapan layar asli.