Spaces:
Runtime error
Runtime error
| 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() | |