Toward Optimal Adenovirus Detection Using YOLO26

당신이 거대하고 입자가 거친 흑백 사진 속에서 숨어 있는 매우 구체적이고 아주 작은 용의자를 찾는 탐정이라고 상상해 보십시오. 이 사진은 평범한 사진이 아닙니다. 투과 전자 현미경(TEM)이라는 초강력 현미경으로 찍은 사진입니다. 이 현미경은 바이러스처럼 인간의 머리카락보다 더 작은 것들도 볼 수 있을 정도로 강력합니다. 하지만 까다로운 점은, 이 사진들이 종종 지저받스럽다는 것입니다. 부서진 조각들, 무작위로 떨어진 먼지, 그리고 바이러스처럼 보이지만 실제로는 아닌 이상한 얼룩들이 섞여 있습니다. 이 혼란 속에서 진짜를 찾아내는 것은 마치 눈보라 속에서 특정한 종류의 눈송이를 찾아내는 것과 같습니다.

이를 돕기 위해 과학자들은 "딥러닝"을 사용합니다. 이는 기본적으로 컴퓨터 프로그램이 패턴을 인식하는 법을 배우는 것으로, 마치 유아에게 수천 장의 사진을 보여주며 고양이와 개를 구분하는 법을 가르치는 것과 비슷합니다. 이 프로그램 중 인기 있는 유형 중 하나가 바로 YOLO( "You Only Look Once"의 약자)입니다. YOLO는 빠르고 무언가를 포착하는 데 능숙한 것으로 유명합니다. 하지만 함정이 있습니다. 이 프로그램들은 숙련되기 위해 많은 연습이 필요하다는 것입니다. 우리는 수백만 장의 바이러스 사진을 가지고 있지 않기 때문에, 우리는 같은 사진을 회전시키거나, 뒤집거나, 늘리는 방식으로 약간씩 변형하여 컴퓨터에게 반복해서 보여줌으로써 학습시킵니다. 이것을 "데이터 증강(data augmentation)"이라고 합니다. 이것은 마치 당신의 탐정에게 용의자가 어떤 자세로 서 있든, 혹은 조명이 어떻든 상관없이 용의자를 알아볼 수 있도록, 용의자의 모습을 매번 조금씩 다르게 보이게 만드는 안경을 씌워주는 것과 같습니다. 큰 문제는, 어떤 종류의 "안경"(특정한 변화들)이 컴퓨터가 혼란에 빠지지 않고 바이러스를 찾는 데 가장 효과적인가 하는 점입니다.

이것이 바로 리머릭 대학교의 올리비에 루쿤도(Olivier Rukundo)가 해결하고자 했던 문제입니다. 그는 새로운 초고속 YOLO 버전(YOLO26이라 불리는)이 그 지저분한 현미경 사진 속에서 아데노바이러스를 포착하도록 가르치는 완벽한 레시피를 찾고자 했습니다. 그는 단순히 추측하지 않았습니다. 그는 체계적인 경주를 실행했습니다. 그는 나노(nano) 버전부터 엑스트라 라지(extra-large) 버전에 이르는 다섯 가지 크기의 YOLO26 프로그램을 가져와 네 가지 "훈련 레시피"(데이터 증강 설정)를 대상으로 테스트했습니다.

네 가지 레시レシピ는 다음과 같습니다:

1. 증강 미사용 설정 (NAS): 사진을 변경 없이 있는 그대로 컴퓨터에게 보여줍니다.
2. 기하학적 증강 설정 (GAS): 바이러스가 다양한 위치에 있는 것처럼 보이도록 이미지를 회전시키고, 뒤집고, 늘립니다.
3. 기하학적 + 모자이크 증강 설정 (GMAS): 네 개의 서로 다른 사진 조각을 가져와 하나의 기묘한 합성 이미지로 꿰매어 컴퓨터를 훈련시킵니다.
4. 기본 증강 설정 (DAS): YOLO26 소프트웨어에 미리 설정된 표준 변경 사항들을 사용합니다.

결과는 놀라웠습니다. 당신은 더 크고 강력한 컴퓨터 모델(엑스트라 라지 버전)이 최고의 탐정이 될 것이라고 생각할 수도 있습니다. 하지만 이 논문은 그것이 사실이 아니라고 시사합니다. 가장 작은 "나노" 버전 모델이 **기하학적 증강 설정(GAS)**으로 훈련되었을 때 챔피언이 되었습니다. 이 모델은 0.44의 mAP@50–95 점수와 0.86의 정밀도(precision)를 기록하며 가장 높은 정확도를 달 achievement 했습니다. 이는 이 모델이 바이러스를 찾는 데 매우 뛰어났으며, 실수를 저지르지 않는 데에도 매우 뛰어났음을 의미합니다.

대조적으로, 이미지를 꿰매어 영리하게 행동하려 했던 "모자이크" 레시피(GMAS)는 오히려 상황을 악화시켰습니다. 이는 컴퓨터를 혼란스럽게 만들고 훈련 과정에서 불안정하게 만들어, 결과적으로 신뢰도 점수를 낮추었습니다. 이 연구는 "크다고 해서 항상 더 좋은 것은 아니다"라는 아이디어를 명시적으로 배제합니다. 실제로 더 큰 모델들(엑스트라 라지 모델 등)은 작은 모델보다 성능이 나을 것이 없었으며, 어떤 경우에는 오히려 더 나빴습니다. 논문은 아데노바이러스의 시각적 특징이 충분히 단순하기 때문에, 적절한 방식의 연습(GAS 레시피)만 제공된다면 작은 효율적인 모델로도 충분히 완벽하게 학습할 수 있다고 제안합니다.

연구는 또한 이러한 모델들이 학습하는 데 걸리는 시간도 살펴보았습니다. 가장 작은 모델은 승리한 **기하학적 증강 설정(GAS)**을 사용하여 약 9.61분 만에 훈련을 마쳐 가장 빨랐던 반면, 가장 큰 모델은 기본 설정으로 거의 29.31분이 걸렸습니다. 흥ari하게도, "기하학적" 및 "모자이크" 레시피는 때때로 기본 설정보다 훈련을 더 빠르게 만들기도 했지만, 모델의 크기가 훈련 시간에 미치는 가장 큰 요인이었습니다.

궁극적으로, 이 논문은 전 세계의 모든 바이러스에 대한 미스터리를 해결했다고 주장하지 않습니다. 이 연구는 더 큰 데이터셋의 일부를 사용하여 아데노바이러스를 구체적으로 테스트했습니다. 전체 TEM 바이러스 데이터셋은 22가지의 서로 다른 바이러스 유형에 대해 1,245장의 이미지를 포함하고 있지만, 이 연구는 오직 아데노바이러스 클래스에만 집중했으며, 여기에는 훈련용 40장, 테스트용 14장, 검증용 13장의 이미지가 사용되었습니다. 저자들은 자신의 연구 결과가 다른 유형의 바이러스나 다른 현미경 조건에는 적용되지 않을 수 있다고 주의를 기울였습니다. 그러나 이 특정 작업에 대해서는 명확한 승자를 찾아냈습니다: 단순히 더 많은 컴퓨팅 파워를 문제에 쏟아붓지 마십시오. 대신, 작고 효율적인 모델을 사용하고 적절한 기하학적 뒤틀림과 회전을 통해 가르치십시오. 이는 때때로 건초더미 속에서 바늘을 찾는 가장 좋은 방법은 더 큰 돋보기를 갖는 것이 아니라, 모든 가능한 각도에서 건초더미를 바라보는 법을 당신의 눈에 가르치는 것임을 상기시켜 줍니다.