Lyra_Mildew — Modèle LoRA Mistral 7B pour l’évaluation du risque de mildiou
🧬 Présentation générale
Lyra_Mildew est un modèle LoRA basé sur Mistral 7B, entraîné pour prédire le risque d’infection du mildiou de la vigne (Plasmopara viticola) à partir de variables agro-météorologiques clés :
- Stade_phenologique
- Humectation_continue (h)
- Temperature_moyenne (°C)
- Pluie_24h (mm)
- Inoculum (0.1–0.9)
Le modèle génère un output structuré :
- Risque : [faible/moyen/élevé]
- Recommandation : [conseil agronomique concis]
📚 Datasets utilisés
| Dataset | Taille | Usage |
|---|
Mildew_train_1500.jsonl | 1500 | Fine-tuning principal |
Mildew_valid_149.jsonl | 149 | Validation |
Mildew_dataset_middle_30.jsonl | 30 | Calibration ciblée “Floraison extrême” |
Les datasets sont au format chat-style JSONL compatible Mistral.
⚙️ Hyperparamètres d’entraînement (LoRA)
- output_dir = "./lyra_Mildew_LoRA"
- num_train_epochs = 3
- per_device_train_batch_size = 2
- per_device_eval_batch_size = 2
- gradient_accumulation_steps = 8
- learning_rate = 2e-4
- fp16 = True
- logging_steps = 10
- eval_strategy = "epoch"
- save_strategy = "epoch"
- lr_scheduler_type = "cosine"
- warmup_ratio = 0.03
- weight_decay = 0.0
- report_to = "none"
📌 Mini-étape de calibration (30 lignes)
Une seconde passe rapide a été effectuée pour ajuster la détection du risque élevé en floraison :
- 4 steps
- Training loss décroissante : 2.38 → 1.30 → 1.00 → 0.90
- Aucun surapprentissage observé
📊 Résultats d’entraînement (Epochs 1–3)
| Epoch | Training Loss | Validation Loss | Entropy | Mean Token Accuracy |
|---|
| 1 | 0.2809 | 0.2760 | 0.2861 | 0.9200 |
| 2 | 0.2760 | 0.2722 | 0.2819 | 0.9226 |
| 3 | 0.2693 | 0.2696 | 0.2766 | 0.9233 |
Les métriques confirment une convergence stable et équilibrée train/validation.
🧪 Évaluation finale sur 12 scénarios agronomiques
Le modèle a été testé sur un panel expert de 12 cas représentatifs (faible / moyen / élevé), incluant des situations limites (jeunes feuilles, floraison, humectation extrême).
🎯 Taux d’exactitude selon 3 critères
| Critère | % | Interprétation |
|---|
| Exactitude stricte | 75 % | Correspondance parfaite attendue/prédit |
| Exactitude aide à la décision | 83 % | Les surestimations prudentes sont acceptées |
| Exactitude agronomique réaliste | ≈ 92 % | Inclut les faibles limites rehaussés et les décisions prudentes |
💡 Dans une optique opérationnelle, la réduction des faux négatifs est prioritaire :
le modèle adopte un comportement prudent sans surtraiter.
🖥️ Ressources d’entraînement (Colab)
- GPU : A100 40 GB
- VRAM utilisée : 20.87 GB
- RAM utilisée : 9.20 GB
- Entraînement total : quelques minutes pour la calibration LoRA
🚀 Exemple d’utilisation
1from transformers import AutoModelForCausalLM, AutoTokenizer
2
3name = "Jerome-openclassroom/Lyra_Mildew_LoRA"
4tok = AutoTokenizer.from_pretrained(name)
5model = AutoModelForCausalLM.from_pretrained(name)
6
7messages = [
8 {"role": "system", "content": "Tu es un agronome spécialisé dans le mildiou..."},
9 {"role": "user", "content": "Stade_phenologique: floraison\nHumectation: 12\nTemperature: 20\nPluie_24h: 10\nInoculum: 0.7"}
10]
11
12text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
13inputs = tok(text, return_tensors="pt")
14outputs = model.generate(**inputs, max_new_tokens=120)
15print(tok.decode(outputs[0], skip_special_tokens=True))
Lyra_Mildew — Mistral 7B LoRA Model for Grapevine Downy Mildew Risk Assessment
🧬 Overview
Lyra_Mildew is a LoRA fine-tuned Mistral 7B model specialized in assessing the risk of downy mildew (Plasmopara viticola) on grapevine using:
-
Phenological stage
-
Continuous leaf wetness (h)
-
Mean temperature (°C)
-
24h rainfall (mm)
-
Inoculum level (0.1–0.9)
Output format:
- Risk: [low/medium/high]
- Recommendation: [concise actionable advice]
📚 Datasets
Dataset Size Purpose
- Mildew_train_1500.jsonl 1500 Main supervised fine-tuning
- Mildew_valid_149.jsonl 149 Validation
- Mildew_dataset_middle_30.jsonl 30 Targeted calibration (extreme flowering cases)
⚙️ Training Hyperparameters
(Full YAML above)
-
3 epochs LoRA SFT
-
Learning rate: 2e-4
-
Gradient accumulation: 8
-
Scheduler: cosine
-
Mixed precision: fp16
-
Calibration step (30 lines)
-
Loss progression: 2.38 → 1.30 → 1.00 → 0.90
📊 Training Metrics
Epoch 3 performance:
-
Validation Loss: 0.2696
-
Entropy: 0.2766
-
Mean Token Accuracy: 0.9233
🧪 Final Evaluation (12 expert scenarios)
Metric Value
- Strict match 75 %
- Decision-support accuracy 83 %
- Agronomically realistic accuracy ≈ 92 %
This last metric reflects the intended operational behavior:
minimizing false negatives, even if some borderline cases are conservatively up-classified.
🖥️ Training Resources
-
GPU: A100 40GB
-
VRAM used: 20.87 GB
-
RAM used: 9.20 GB
🚀 Usage Example (Python)
(see code block above)
📄 License
Open for research, education and non-commercial agronomic applications.
