File size: 1,507 Bytes
7999c80 | 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 | ---
title: Netlistify Training
emoji: 🔥
colorFrom: blue
colorTo: red
sdk: gradio
sdk_version: 5.49.1
app_file: app.py
pinned: false
license: mit
---
# Netlistify Training mit ZeroGPU
Trainiert Netlistify DETR-Modell für Verbindungserkennung in Schaltplänen auf Hugging Face Spaces mit ZeroGPU.
## Features
- ✅ **ZeroGPU**: Kostenlose GPU-Ressourcen für Training
- ✅ **Automatisches Dataset-Laden**: Lädt Dataset direkt von Hugging Face
- ✅ **Progress-Tracking**: Echtzeit-Fortschrittsanzeige
- ✅ **Flexible Konfiguration**: Anpassbare Hyperparameter
## Verwendung
1. **Dataset vorbereiten**: Lade dein Dataset auf Hugging Face hoch (als Dataset Repository)
2. **Repository-ID eingeben**: Gib die Dataset Repository-ID ein (z.B. `hanky2397/schematic_images`)
3. **Parameter anpassen**: Epochs, Batch Size, Learning Rate, etc.
4. **Training starten**: Klicke auf "Training starten"
## Dataset-Format
Das Dataset muss folgende Struktur haben:
```
dataset/
├── images/
│ └── images/ (oder direkt images/)
│ └── *.jpg
├── components/
│ └── components/ (oder labels/)
│ └── *.txt (YOLO-Format)
└── pkl/
└── *.pkl (Verbindungsdaten)
```
## Hardware
- **ZeroGPU**: NVIDIA H200 (automatisch zugewiesen)
- **Dauer**: Bis zu 3 Stunden pro Training
## Links
- [Netlistify GitHub](https://github.com/NYCU-AI-EDA/Netlistify)
- [Dataset auf Hugging Face](https://huggingface.co/datasets/hanky2397/schematic_images) |