---
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)