Update README.md

README.md

@@ -1,56 +1,55 @@
----
-title: Netlistify Training
-emoji: 🔥
-colorFrom: blue
-colorTo: red
-sdk: gradio
-sdk_version: 4.0.0
-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)
-
+---
+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)