Hugging Face's logo

Spaces:
Dmgautomata
/
netlistify-training
Paused

App Files Community
1
netlistify-training / README.md
Dmgautomata's picture
Dmgautomata
Update README.md (#1)
7999c80 verified
preview code
|
raw
history blame contribute delete
1.51 kB

A newer version of the Gradio SDK is available: 6.9.0

Upgrade
metadata 
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