feat: ajout du fine-tuning YOLO

ml/yolov8_DINO/README.md

@@ -35,7 +35,49 @@ dataset_biolit/
 
 Poids entraînés → `runs/biolit_v2_bootstrap/weights/`
 
-## Partie 2 — Fine-tuning (à venir)
+## Partie 2 — Fine-tuning
 
-Pris en charge par un autre membre de l'équipe.
-Entraînement sur des images cropées et annotées manuellement pour améliorer les performances du modèle bootstrap.
+Cette étape consiste à améliorer le modèle YOLOv8 obtenu lors du bootstrap en utilisant un dataset plus petit (~1,400 images) mais de meilleure qualité, annoté manuellement.
+Le dataset est augmenté artificiellement ×3 sur le train set uniquement (pas sur le validation set) via flips, rotations (±15° et 90°), ajustements de luminosité (±10 %) et léger flou.
+
+### Données
+
+````text
+14_Biolit/
+├── data/
+│   └── manual_annotations/
+│       ├── train/...
+│       ├── valid/...
+│       └── data.yaml
+
+### Modèle de départ
+
+Le fine-tuning part du modèle entraîné lors de la partie 1 :
+
+```text
+runs/biolit_v2_bootstrap/weights/best.pt
+````
+
+### Lancer le fine-tuning
+
+```bash
+python finetune.py
+```
+
+### Configuration
+
+Le fichier `configs/finetune.yaml` contient les paramètres principaux :
+
+- chemin vers le modèle bootstrap (`best.pt`)
+- chemin vers le dataset manuel (`data.yaml`)
+- hyperparamètres d'entraînement (`epochs`, `batch`, `learning rate`)
+
+### Résultat
+
+Les nouveaux poids sont sauvegardés dans :
+
+```text
+runs/biolit_v2_finetuned/weights/
+```
+
+Ce modèle est ensuite utilisé pour générer les crops finaux ou pour l’inférence.

ml/yolov8_DINO/configs/finetune.yaml

@@ -0,0 +1,13 @@
+model: runs/biolit_v2_bootstrap/weights/best.pt
+data_yaml: ../../data/manual_annotations/data.yaml
+
+epochs: 100
+imgsz: 640
+batch: 16
+
+optimizer: AdamW
+lr0: 0.001
+
+# Sorties
+project: runs/
+name: biolit_v2_finetuned

ml/yolov8_DINO/finetune.py

@@ -0,0 +1,69 @@
+import argparse
+import sys
+from pathlib import Path
+
+import numpy as np
+import torch
+import yaml
+
+torch.use_deterministic_algorithms(False)
+
+if not hasattr(np, "trapz"):
+    np.trapz = np.trapezoid
+
+from ultralytics import YOLO  # noqa: E402
+
+sys.path.insert(0, str(Path(__file__).parent))
+from utils.logger import get_logger  # noqa: E402
+
+log = get_logger("finetune")
+
+
+def _device():
+    if torch.cuda.is_available():
+        return "cuda"
+    if torch.backends.mps.is_available():
+        return "mps"
+    return "cpu"
+
+
+def _validate_path(path_str: str, label: str) -> Path:
+    path = Path(path_str)
+    if not path.exists():
+        raise FileNotFoundError(f"{label} not found: {path}")
+    return path
+
+
+def main():
+    parser = argparse.ArgumentParser()
+    parser.add_argument("--config", default="configs/finetune.yaml")
+    args = parser.parse_args()
+
+    with open(args.config, encoding="utf-8") as f:
+        cfg = yaml.safe_load(f)
+
+    device = _device()
+    log.info("Fine-tuning YOLOv8 | device=%s", device)
+
+    weights_path = _validate_path(cfg["model"], "Model weights")
+    data_yaml_path = _validate_path(cfg["data_yaml"], "data.yaml")
+
+    model = YOLO(str(weights_path))
+    model.train(
+        data=str(data_yaml_path),
+        epochs=cfg["epochs"],
+        imgsz=cfg["imgsz"],
+        batch=cfg["batch"],
+        optimizer=cfg["optimizer"],
+        lr0=cfg["lr0"],
+        device=device,
+        project=cfg["project"],
+        name=cfg["name"],
+        exist_ok=True,
+    )
+
+    log.info("Fine-tuning terminé.")
+
+
+if __name__ == "__main__":
+    main()

pyproject.toml

@@ -42,6 +42,7 @@ dependencies = [
     "autodistill>=0.1.29",
     "autodistill-grounding-dino>=0.1.4",
     "autodistill-yolov8>=0.1.4",
+    "ultralytics",
     "supervision>=0.27.0.post2",
     "scikit-learn>=1.8.0",
     "boto3>=1.42.80",