lyra_Mildew_mistral7B_LoRA

Lyra_Mildew — Modèle LoRA Mistral 7B pour l’évaluation du risque de mildiou

English version available below

---

🧬 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

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)

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

💡 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

from transformers import AutoModelForCausalLM, AutoTokenizer

name = "Jerome-openclassroom/Lyra_Mildew_LoRA"
tok = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name)

messages = [
    {"role": "system", "content": "Tu es un agronome spécialisé dans le mildiou..."},
    {"role": "user", "content": "Stade_phenologique: floraison\nHumectation: 12\nTemperature: 20\nPluie_24h: 10\nInoculum: 0.7"}
]

text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=120)
print(tok.decode(outputs[0], skip_special_tokens=True))

<a name="english-version">🇬🇧 English Version</a>

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.