jeromex1/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)

• —outputdir = "./lyraMildew_LoRA"
• —numtrainepochs = 3
• —perdevicetrainbatchsize = 2
• —perdeviceevalbatchsize = 2
• —gradientaccumulationsteps = 8
• —learning_rate = 2e-4
• —fp16 = True
• —logging_steps = 10
• —eval_strategy = "epoch"
• —save_strategy = "epoch"
• —lrschedulertype = "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

• —Mildewtrain1500.jsonl 1500 Main supervised fine-tuning
• —Mildewvalid149.jsonl 149 Validation
• —Mildewdatasetmiddle_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.