Augmentation renforcée, scheduler LR et dropout par défaut 0.5

- data_utils.py : RandomResizedCrop, rotation 30°, ColorJitter
- train_utils.py : ReduceLROnPlateau (factor=0.5, patience=8, min_lr=lr×0.2),
affichage du lr courant dans les logs
- app.py : dropout par défaut 0.5

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

app.py

@@ -242,7 +242,7 @@ with gr.Blocks(title="Classification d’images microscopiques") as demo:
                     dropout = gr.Slider(
                         minimum=0.0,
                         maximum=0.8,
-                        value=0.4,
+                        value=0.5,
                         step=0.05,
                         label="Dropout",
                     )

data_utils.py

@@ -44,10 +44,14 @@ class HFDatasetWrapper(Dataset):
 def get_train_transform():
     return transforms.Compose(
         [
-            transforms.Resize((IMAGE_SIZE, IMAGE_SIZE)),
+            # Crop aléatoire puis redimensionnement : simule des cadrages différents
+            transforms.RandomResizedCrop(IMAGE_SIZE, scale=(0.75, 1.0)),
             transforms.RandomHorizontalFlip(p=0.5),
             transforms.RandomVerticalFlip(p=0.5),
-            transforms.RandomRotation(degrees=5),
+            # Rotation plus large : les images microscopiques n'ont pas d'orientation canonique
+            transforms.RandomRotation(degrees=30),
+            # Légère variation de luminosité/contraste pour robustesse aux conditions d'acquisition
+            transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.1),
             transforms.ToTensor(),
             transforms.Normalize(
                 mean=(0.485, 0.456, 0.406),

train_utils.py

@@ -166,6 +166,16 @@ def train_model(
         weight_decay=weight_decay,
     )
 
+    # Réduit le LR de moitié si val_loss ne s'améliore pas pendant 8 époques
+    # patience élevée car le val set est très petit (bruit important)
+    scheduler = optim.lr_scheduler.ReduceLROnPlateau(
+        optimizer,
+        mode="min",
+        factor=0.5,
+        patience=8,
+        min_lr=learning_rate * 0.2,
+    )
+
     history = []
     logs = []
     start_time = time.time()
@@ -204,6 +214,8 @@ def train_model(
         train_acc = correct / total if total else 0.0
 
         val_loss, val_acc = evaluate_loss_acc(model, val_loader, criterion, device)
+        scheduler.step(val_loss)
+        current_lr = optimizer.param_groups[0]["lr"]
 
         if val_loss < best_val_loss:
             best_val_loss = val_loss
@@ -225,7 +237,8 @@ def train_model(
         logs.append(
             f"Époque {epoch}/{epochs} | "
             f"perte entraînement={train_loss:.4f}, précision entraînement={train_acc:.4f}, "
-            f"perte validation={val_loss:.4f}, précision validation={val_acc:.4f}"
+            f"perte validation={val_loss:.4f}, précision validation={val_acc:.4f}, "
+            f"lr={current_lr:.6f}"
         )
 
     if best_state_dict is not None: