Spaces:
Runtime error
Runtime error
File size: 5,005 Bytes
9cc66e2 19de612 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 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 |
from core.controllers.pages_controller import Page
from pages.Teoria import Teoria
from pages.LiveDemo import Live_Demo
class Home(Page):
variables_globales = {
}
archivos_css = ["main",
"home"]
def __init__(self, title=str("Bienvenido"), 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 = self.imgg.open("core/imagenes/shiba.png")
src_img_2 = self.imgg.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)
card_teoria.markdown(unsafe_allow_html=True,
help=None,
body="""<div id='texto_boton_teoria'>
Conoce mas sobre los principios, fundamentos, personajes, avances:
</div>
""")
card_teoria.button("Ver mas",
help="Botón hacia página de teoría",
on_click=self.hacia_teoria,
type="secondary",
use_container_width=True)
def hacia_teoria(self):
Teoria(init_page=True).build()
self.page().stop()
def agregar_card_live_demo(self, columna):
card_live_demo = columna.container()
card_live_demo.header("Demo",
help=None)
card_live_demo.markdown(unsafe_allow_html=False,
help=None,
body="""
Accede a la **demo** interactiva **utilizando** **transformers + google/ViT**.
""")
card_live_demo.button("Live-Demo",
help="Botón hacia página de live-demo",
on_click=self.hacia_demo,
type="secondary",
use_container_width=True)
def hacia_demo(self):
Live_Demo(init_page=True).build()
self.page().stop()
def agregar_card_about_me(self, columna):
card_about_me = columna.container()
card_about_me.header("Coder160",
help=None)
def build(self):
# secciones
columna_bienvenido, columna_botones = self.get_body().columns(
[0.7, 0.3], gap="medium")
self.agregar_card_bienvenido(columna_bienvenido)
self.agregar_card_teoria(columna_botones)
self.agregar_card_live_demo(columna_botones)
self.agregar_card_about_me(columna_botones)
if __name__ == "__main__":
Home(init_page=True).build()
|