Spaces:
Runtime error
Runtime error
File size: 4,542 Bytes
9cc66e2 fa397ad 9cc66e2 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 |
from core.controllers.pages_controller import Page
from PIL import Image
class AboutMe(Page):
variables_globales = {
}
archivos_css = ["main",
"about_me"]
def __init__(self, title=str("whoami"), icon=str("🖼️"), init_page=False):
super().__init__()
if init_page:
self.new_page(title=title, icon=icon)
self.new_body(True)
self.init_globals(globals=self.variables_globales)
for archivo in self.archivos_css:
self.cargar_css(archivo_css=archivo)
def agregar_card_bienvenido(self, columna):
card_bienvenido = columna.container()
card_bienvenido.header("Sobre la clasificación de imágenes",
help=None)
card_bienvenido.markdown(unsafe_allow_html=False,
help=None,
body="""
La **clasificación de imágenes en visión artificial** consiste en enseñar a una computadora a **identificar la categoría general de una fotografía**, como "perro" o "coche", en lugar de analizar detalles específicos o ubicar objetos.
Este **proceso permite a la computadora** reconocer patrones y realizar **predicciones precisas en nuevas imágenes**.
""")
imagen_demo1, imagen_demo2 = card_bienvenido.columns(2, gap="small")
src_img_1 = Image.open("core/imagenes/shiba.png")
src_img_2 = Image.open("core/imagenes/result.png")
imagen_demo1.image(src_img_1,
use_column_width="auto")
imagen_demo2.image(src_img_2,
use_column_width="auto")
card_bienvenido.markdown(unsafe_allow_html=False,
help=None,
# Esto se logra mediante el entrenamiento de **algoritmos de aprendizaje profundo**, como las **redes neuronales convolucionales (CNN)** o modelos basados en **Transformers**. Estos algoritmos se entrenan utilizando un **amplio conjunto de datos** de imágenes etiquetadas, donde cada imagen tiene una **etiqueta que describe** su contenido (por ejemplo, "gato" o "árbol").
body="""
A continuación veremos cómo la librería Transformers utiliza el **modelo pre-entrenado Google/ViT**, entrenado con un conjunto de datos de más de 14 millones de imágenes, etiquetadas en más de 21,000 clases diferentes, todas con una resolución de 224x224.
""")
def agregar_card_teoria(self, columna):
card_teoria = columna.container()
card_teoria.header("Teoría",
help=None)
def agregar_card_live_demo(self, columna):
card_live_demo = columna.container()
card_live_demo.header("Demo",
help=None)
def agregar_card_about_me(self, columna):
card_about_me = columna.container()
card_about_me.header("Desarrollado por:",
help=None)
card_about_me.subheader("coder160",
help=None)
social1, social2, social3, social4 = card_about_me.columns(
4, gap="medium")
social1.image("https://imagedelivery.net/5MYSbk45M80qAwecrlKzdQ/8c7c0f2b-5efe-45d3-3041-f6295bd2e600/preview",
use_column_width="auto")
social2.image("https://imagedelivery.net/5MYSbk45M80qAwecrlKzdQ/8c7c0f2b-5efe-45d3-3041-f6295bd2e600/preview",
use_column_width="auto")
social3.image("https://imagedelivery.net/5MYSbk45M80qAwecrlKzdQ/8c7c0f2b-5efe-45d3-3041-f6295bd2e600/preview",
use_column_width="auto")
social4.image("https://imagedelivery.net/5MYSbk45M80qAwecrlKzdQ/8c7c0f2b-5efe-45d3-3041-f6295bd2e600/preview",
use_column_width="auto")
def build(self):
# secciones
columna_bienvenido, columna_contenido = self.get_body().columns(2, gap="small")
seccion_teoria, seccion_live_demo = columna_contenido.columns(
2, gap="large")
self.agregar_card_bienvenido(columna_bienvenido)
self.agregar_card_teoria(seccion_teoria)
self.agregar_card_live_demo(seccion_live_demo)
self.agregar_card_about_me(columna_contenido)
if __name__ == "__main__":
AboutMe(init_page=True).build()
|