MouhammadYadex/traduction-wolof-francais

Traduction automatique Wolof vers Francais (NLLB-200 + LoRA + API FastAPI) # Traduction automatique Wolof vers Français Projet de NLP : fine-tuning d'un modèle de traduction neuronale du **wolof vers le français**, puis mise à disposition du modèle via une **API REST** (FastAPI), avec un déploiement en ligne. L'ensemble de la démarche (préparation des données, fine-tuning, fusion, évaluation) ainsi que les résultats se trouvent dans le notebook **`traduction_wolof_francais.ipynb`**, qui constitue le cœur du projet. ## Choix techniques - **Modèle de base** : `facebook/nllb-200-distilled-600M`. NLLB-200 prend déjà en charge le wolof (`wol_Latn`) et le français (`fra_Latn`), ce qui donne un bien meilleur point de départ qu'un modèle multilingue qui ne connaît pas le wolof. - **Données** : `galsenai/french-wolof-translation` (environ 17 000 paires wolof/français). - **Méthode de fine-tuning** : LoRA (adaptateurs de bas rang). On n'entraîne qu'environ 0,8 % des paramètres, ce qui permet d'entraîner le modèle sur un Mac (GPU MPS, 16 Go) sans saturer la mémoire et beaucoup plus rapidement qu'un fine-tuning complet. - **API** : FastAPI + Uvicorn. ## Organisation des fichiers ``` . ├── traduction_wolof_francais.ipynb # notebook principal : tout le pipeline + résultats ├── training_history.json # historique de perte de l'entraînement (pour la courbe) ├── app.py # API FastAPI (locale) ├── test_api.py # script de test de l'API ├── requirements.txt ├── data/ # corpus découpé en train / val / test └── hf_space/ # version déployée sur Hugging Face (Docker + adaptateur LoRA) ``` ## Mise en route Installation des dépendances dans un environnement virtuel : ```bash python -m venv venv ./venv/bin/pip install -r requirements.txt ``` ### Reproduire l'entraînement et l'évaluation Ouvrir et exécuter le notebook `traduction_wolof_francais.ipynb`. Il contient tout le pipeline : 1. préparation des données (téléchargement, nettoyage, découpage) ; …