GbeTo — Traducteur Éwé ↔ Français

Fine-tuning de NLLB-200-distilled-600M (Meta AI) pour la traduction bidirectionnelle éwé ↔ français. Projet personnel mené dans un double objectif : apprendre les pratiques du fine-tuning de modèles de traduction, et contribuer modestement à l'outillage NLP d'une langue peu dotée : l'ewe, ma langue natale.

---

Contexte

L'éwé est une langue kwa parlée par environ 3 à 4 millions de personnes au Togo, au Ghana et au Bénin. Elle est très peu représentée dans les outils NLP existants. NLLB-200, bien que multilingue, n'a été pré-entraîné que sur un volume limité de données éwé. Ce projet explore dans quelle mesure un fine-tuning sur un corpus parallèle de taille modeste peut améliorer les performances de traduction sur cette paire de langues.

---

Résultats

Évaluation sur le test set (~3 500 paires), tokenisation flores101 (sacrebleu).

Modèle	BLEU	chrF
Baseline NLLB-600M (sans fine-tuning)	13.41	33.11
GbeTo	16.70	37.19

---

Données

Deux corpus parallèles académiques, fusionnés et filtrés :

Source	Papier	Paires éwé-français
AfroLingu-MT	ACL 2024	~10 500
MAFAND	NAACL 2022	~5 000

Pipeline de nettoyage : normalisation Unicode NFC , déduplication, filtrage sur longueur (3–150 mots) et ratio source/cible (0.2–5.0).

Splits finaux : ~14 000 train / ~2 900 val / ~3 500 test.

---

Modèle

Base : facebook/nllb-200-distilled-600M — 600M paramètres, 200 langues.
Fine-tuning : Google Colab T4 16GB, ~7h30 d'entraînement, arrêt automatique à l'epoch 9 (early stopping, patience=3, métrique BLEU).

Principaux hyperparamètres :

Paramètre	Valeur
Learning rate	5e-5
Batch effectif	32 (4 × accum. 8)
Optimiseur	Adafactor
fp16	Oui
Beam search	4
Epochs max	10

Le modèle est disponible sur HuggingFace : kjd-dktech/gbeto-ewe-french.
Il est également accessible en démo sur HuggingFace Spaces kjd-dktech/gbeto-ewe-french-demo

---

Utiliser le modèle

Le modèle fine-tuné est disponible directement sur HuggingFace :

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("kjd-dktech/gbeto-ewe-french")
model = AutoModelForSeq2SeqLM.from_pretrained("kjd-dktech/gbeto-ewe-french")

Pour reproduire l'entraînement, voir notebooks/principal_book.ipynb.

---

Structure du projet

GbeTo_ewe-fr/
├── src/
│   ├── data/          # Acquisition, nettoyage, splits
│   ├── model/         # Fine-tuning (trainer.py)
│   └── evaluate/      # Métriques BLEU et chrF
├── scripts/
│   ├── prepare_data.sh
│   ├── train.sh
│   └── resume.sh      # Reprise après coupure Colab
├── notebooks/
│   └── principal_book.ipynb
├── tests/             # Tests unitaires (pipeline + métriques)
├── app.py             # Interface Gradio
└── outputs/
    ├── final_model/
    └── error_analysis/

---

Limitations

• Corpus d'entraînement de taille modeste (~14 000 paires) — les performances restent limitées sur les textes hors-domaine.
• L'éwé n'est pas orthographiquement standardisé entre dialectes (Anlo, Ho, Kpando) — la qualité peut varier selon la variante d'entrée.

---

Citation

Ce projet utilise les ressources suivantes. Si vous réutilisez ce travail ou ces données, merci de citer les travaux originaux :

AfroLingu-MT (obligatoire si utilisation des données) :

@inproceedings{elmadany2024toucan,
  title={Toucan: Many-to-Many Translation for 150 African Language Pairs},
  author={Elmadany, Abdelrahim and Adebara, Ife and Abdul-Mageed, Muhammad},
  booktitle={Findings of the Association for Computational Linguistics ACL 2024},
  pages={13189--13206},
  year={2024}
}

MAFAND :

@inproceedings{adelani2022mafand,
  title={A Few Thousand Translations Go a Long Way! Leveraging Pre-trained Models for African News Translation},
  author={Adelani, David Ifeoluwa and others},
  booktitle={Proceedings of NAACL 2022},
  year={2022}
}

NLLB-200 :

@article{costa2022nllb,
  title={No Language Left Behind: Scaling Human-Centered Machine Translation},
  author={Costa-jussà, Marta R. and others},
  journal={arXiv preprint arXiv:2207.04672},
  year={2022}
}

---

Licences

Les ressources utilisées (NLLB-200, AfroLingu-MT, MAFAND) sont sous licences non-commerciales (CC-BY-NC-4.0). Ce projet est à usage académique uniquement.

---

Auteur

Kodjo Jean DEGBEVI · GitHub · HuggingFace · LinkedIn
https://mayal.tech
kodjojeandegbevi@gmail.com
contact@mayal.tech