Restaurer les paramètres CNN qui fonctionnaient + epoch max à 50

- data_utils.py : augmentation revenue à Resize + flip + rotation 5°
- train_utils.py : batch_size par défaut 16 (était 32)
- app.py : dropout 0.4, batch 16, epochs max 50

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

app.py

@@ -260,7 +260,7 @@ with gr.Blocks(title="Classification d’images microscopiques") as demo:
                     dropout = gr.Slider(
                         minimum=0.0,
                         maximum=0.8,
-                        value=0.5,
+                        value=0.4,
                         step=0.05,
                         label="Dropout",
                     )
@@ -283,13 +283,13 @@ with gr.Blocks(title="Classification d’images microscopiques") as demo:
 
                     batch_size = gr.Dropdown(
                         choices=[8, 16, 32, 64],
-                        value=32,
+                        value=16,
                         label="Taille du batch",
                     )
 
                     epochs = gr.Slider(
                         minimum=1,
-                        maximum=80,
+                        maximum=50,
                         value=30,
                         step=1,
                         label="Nombre d’époques",

data_utils.py

@@ -44,14 +44,10 @@ class HFDatasetWrapper(Dataset):
 def get_train_transform():
     return transforms.Compose(
         [
-            # Resize fixe : préserve l'échelle des textures microscopiques
             transforms.Resize((IMAGE_SIZE, IMAGE_SIZE)),
             transforms.RandomHorizontalFlip(p=0.5),
             transforms.RandomVerticalFlip(p=0.5),
-            # Les coupes microscopiques n'ont pas d'orientation canonique
-            transforms.RandomRotation(degrees=15),
-            # Légère variation photométrique pour robustesse aux conditions d'acquisition
-            transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.1),
+            transforms.RandomRotation(degrees=5),
             transforms.ToTensor(),
             transforms.Normalize(
                 mean=(0.485, 0.456, 0.406),

train_utils.py

@@ -144,7 +144,7 @@ def train_model(
     fc_dim: int = 256,
     learning_rate: float = 0.001,
     weight_decay: float = 0.0001,
-    batch_size: int = 32,
+    batch_size: int = 16,
     epochs: int = 30,
     model_tag: str = "",
 ):