PyTorchKorea · cpprhtn · Jul 7, 2023 · Jul 7, 2023 · Jul 7, 2023 · Jul 7, 2023
diff --git a/facebookresearch_WSL-Images_resnext.md b/facebookresearch_WSL-Images_resnext.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: ResNext WSL
-summary: ResNext models trained with billion scale weakly-supervised data.
+summary: 10억 규모의 약한 지도(weakly-supervised) 데이터셋을 사용한 ResNext 모델.
 category: researchers
 image: wsl-image.png
 author: Facebook AI
@@ -64,7 +64,7 @@ if torch.cuda.is_available():
 
 with torch.no_grad():
     output = model(input_batch)
-# Imagenet의 1000개 클래스에 대한 신뢰도 점수를 가진, shape이 1000인 텐서 출력
+# ImageNet의 1000개 클래스에 대한 신뢰도 점수를 가진, shape이 1000인 텐서 출력
 print(output[0])
 # 출력값은 정규화되지 않은 형태입니다. Softmax를 실행하면 확률을 얻을 수 있습니다.
 print(torch.nn.functional.softmax(output[0], dim=0))

diff --git a/facebookresearch_pytorch-gan-zoo_pgan.md b/facebookresearch_pytorch-gan-zoo_pgan.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Progressive Growing of GANs (PGAN)
-summary: High-quality image generation of fashion, celebrity faces
+summary: 패션, 연예인 얼굴의 고품질 이미지 생성
 category: researchers
 image: pganlogo.png
 author: FAIR HDGAN

diff --git a/facebookresearch_pytorchvideo_resnet.md b/facebookresearch_pytorchvideo_resnet.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: 3D ResNet
-summary: Resnet Style Video classification networks pretrained on the Kinetics 400 dataset 
+summary: Kinetics 400 데이터셋에서 사전 학습된 Resnet 스타일 비디오 분류 네트워크
 image: slowfast.png 
 author: FAIR PyTorchVideo
 tags: [vision]
@@ -18,7 +18,7 @@ demo-model-link: https://huggingface.co/spaces/pytorch/3D_ResNet
 
 ### 사용 예시
 
-#### Imports
+#### 불러오기
 
 모델 불러오기: 
 
@@ -47,7 +47,7 @@ from pytorchvideo.transforms import (
 )
 ```
 
-#### 환경설정
+#### 셋업
 
 모델을 평가 모드로 설정하고 원하는 디바이스 방식을 선택합니다.
 
@@ -58,7 +58,7 @@ model = model.eval()
 model = model.to(device)
 ```
 
-토치 허브 모델이 훈련된 Kinetics 400 데이터셋에 대해 ID에서의 레이블과 맞는 정보를 다운로드합니다. 이는 예측된 클래스 ID에서 카테고리 레이블 이름을 가져오는데 사용됩니다.
+토치 허브 모델이 훈련된 Kinetics 400 데이터셋에 대해 ID에서의 레이블 매핑 정보를 다운로드합니다. 이는 예측된 클래스 ID에서 카테고리 레이블 이름을 가져오는데 사용됩니다.
 
 ```python
 json_url = "https://dl.fbaipublicfiles.com/pyslowfast/dataset/class_names/kinetics_classnames.json"
@@ -159,6 +159,7 @@ print("Top 5 predicted labels: %s" % ", ".join(pred_class_names))
 
 ### 모델 설명
 모델 아키텍처는 Kinetics 데이터셋의 8x8 설정을 사용하여 사전 훈련된 가중치가 있는 참고문헌 [1]을 기반으로 합니다.
+
 | arch | depth | frame length x sample rate | top 1 | top 5 | Flops (G) | Params (M) |
 | --------------- | ----------- | ----------- | ----------- | ----------- | ----------- |  ----------- |
 | Slow     | R50   | 8x8                        | 74.58 | 91.63 | 54.52     | 32.45     |

diff --git a/facebookresearch_pytorchvideo_slowfast.md b/facebookresearch_pytorchvideo_slowfast.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: SlowFast
-summary: SlowFast networks pretrained on the Kinetics 400 dataset  
+summary: Kinetics 400 데이터섯에서 사전 학습된 SlowFast 네트워크
 image: slowfast.png 
 author: FAIR PyTorchVideo
 tags: [vision]
@@ -78,7 +78,7 @@ for k, v in kinetics_classnames.items():
     kinetics_id_to_classname[v] = str(k).replace('"', "")
 ```
 
-#### 입력 변환에 대한 정의
+#### 입력 형태에 대한 정의
 
 ```python
 side_size = 256

diff --git a/facebookresearch_pytorchvideo_x3d.md b/facebookresearch_pytorchvideo_x3d.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: X3D
-summary: X3D networks pretrained on the Kinetics 400 dataset
+summary: Kinetics 400 데이터섯에서 사전 학습된 X3D 네트워크
 image: x3d.png
 author: FAIR PyTorchVideo
 tags: [vision]
@@ -18,7 +18,7 @@ demo-model-link: https://huggingface.co/spaces/pytorch/X3D
 
 ### 사용 예시
 
-#### Imports
+#### 불러오기
 
 모델 불러오기:
 

diff --git a/facebookresearch_semi-supervised-ImageNet1K-models_resnext.md b/facebookresearch_semi-supervised-ImageNet1K-models_resnext.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Semi-supervised and semi-weakly supervised ImageNet Models
-summary: Billion scale semi-supervised learning for image classification 에서 제안된 ResNet, ResNext 모델
+summary: Billion scale semi-supervised learning for image classification 논문에서 제안된 ResNet, ResNext 모델
 category: researchers
 image: ssl-image.png
 author: Facebook AI

diff --git a/huggingface_pytorch-transformers.md b/huggingface_pytorch-transformers.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: PyTorch-Transformers
-summary:  PyTorch implementations of popular NLP Transformers
+summary: 널리 사용되는 NLP Transformers의 PyTorch 구현
 category: researchers
 image: huggingface-logo.png
 author: HuggingFace Team

diff --git a/hustvl_yolop.md b/hustvl_yolop.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: YOLOP
-summary: YOLOP pretrained on the BDD100K dataset
+summary: BDD100K 데이터 세트에서 사전 훈련된 YOLOP
 image: yolop.png
 author: Hust Visual Learning Team
 tags: [vision]
@@ -125,7 +125,15 @@ det_out, da_seg_out,ll_seg_out = model(img)
 
 ### 인용(Citation)
 
-See for more detail in [github code](https://github.com/hustvl/YOLOP) and [arxiv paper](https://arxiv.org/abs/2108.11250).
-
-본 논문과 코드가 여러분의 연구에 유용하다고 판단되면, GitHub star를 주는 것과 본 논문을 인용하는 것을 고려해 주세요:
-
+본 [논문](https://arxiv.org/abs/2108.11250) 과 [코드](https://github.com/hustvl/YOLOP) 가 여러분의 연구에 유용하다고 판단되면, GitHub star를 주는 것과 본 논문을 인용하는 것을 고려해 주세요:
+
+```BibTeX
+@article{wu2022yolop,
+  title={Yolop: You only look once for panoptic driving perception},
+  author={Wu, Dong and Liao, Man-Wen and Zhang, Wei-Tian and Wang, Xing-Gang and Bai, Xiang and Cheng, Wen-Qing and Liu, Wen-Yu},
+  journal={Machine Intelligence Research},
+  pages={1--13},
+  year={2022},
+  publisher={Springer}
+}
+```
diff --git a/intelisl_midas_v2.md b/intelisl_midas_v2.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: MiDaS
-summary: MiDaS models for computing relative depth from a single image.
+summary: 단일 이미지에서 상대적인 깊이를 계산하기 위한 MiDaaS 모델.
 image: intel-logo.png
 author: Intel ISL
 tags: [vision]

diff --git a/mateuszbuda_brain-segmentation-pytorch_unet.md b/mateuszbuda_brain-segmentation-pytorch_unet.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: U-Net for brain MRI
-summary: U-Net with batch normalization for biomedical image segmentation with pretrained weights for abnormality segmentation in brain MRI
+summary: 뇌 MRI 이상 분할을 위해 사전 훈련된 가중치를 사용한 의료 이미지 분할을 위한 배치 정규화를 사용하는 U-Net
 image: unet_tcga_cs_4944.png
 author: mateuszbuda
 tags: [vision]

diff --git a/nicolalandro_ntsnet-cub200_ntsnet.md b/nicolalandro_ntsnet-cub200_ntsnet.md
@@ -4,7 +4,7 @@ background-class: hub-background
 body-class: hub
 category: researchers
 title: ntsnet
-summary: classify birds using this fine-grained image classifier
+summary: fine-grained 이미지 분류기를 사용한 새 분류
 image: Cub200Dataset.png
 author: Moreno Caraffini and Nicola Landro
 tags: [vision]

diff --git a/nvidia_deeplearningexamples_efficientnet.md b/nvidia_deeplearningexamples_efficientnet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: EfficientNet
-summary: EfficientNets are a family of image classification models, which achieve state-of-the-art accuracy, being an order-of-magnitude smaller and faster. Trained with mixed precision using Tensor Cores.
+summary: EfficientNets는 최첨단 정확도를 달성하는 이미지 분류 모델 계열로 크기가 작고 빠릅니다. 텐서 코어를 사용하여 혼합 정밀도로 훈련되었습니다.
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA
@@ -55,7 +55,7 @@ device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cp
 print(f'Using {device} for inference')
 ```
 
-Load the model pretrained on IMAGENET dataset.
+Load the model pretrained on ImageNet dataset.
 
 You can choose among the following models:
 

diff --git a/nvidia_deeplearningexamples_resnet50.md b/nvidia_deeplearningexamples_resnet50.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: ResNet50
-summary: ResNet50 model trained with mixed precision using Tensor Cores.
+summary: 텐서 코어를 사용하여 혼합 정밀도로 훈련된 ResNet50 모델.
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA
@@ -57,7 +57,7 @@ device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cp
 print(f'Using {device} for inference')
 ```
 
-IMAGENET 데이터셋에서 사전 훈련된 모델을 로드합니다.
+ImageNet 데이터셋에서 사전 훈련된 모델을 로드합니다.
 ```python
 resnet50 = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_resnet50', pretrained=True)
 utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_convnets_processing_utils')

diff --git a/nvidia_deeplearningexamples_resnext.md b/nvidia_deeplearningexamples_resnext.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: ResNeXt101
-summary: ResNet with bottleneck 3x3 Convolutions substituted by 3x3 Grouped Convolutions, trained with mixed precision using Tensor Cores.
+summary: ResNet의 3x3 그룹 합성곱(Grouped Convolution) 계층을 병목 블록(Bottleneck Block) 내부의 3x3 합성곱 계층으로 대체한 모델.
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA
@@ -64,7 +64,7 @@ device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cp
 print(f'Using {device} for inference')
 ```
 
-IMAGENET 데이터셋으로 사전 학습된 모델을 불러옵니다.
+ImageNet 데이터셋으로 사전 학습된 모델을 불러옵니다.
 ```python
 resneXt = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_resneXt')
 utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_convnets_processing_utils')

diff --git a/nvidia_deeplearningexamples_se-resnext.md b/nvidia_deeplearningexamples_se-resnext.md
@@ -64,7 +64,7 @@ device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cp
 print(f'Using {device} for inference')
 ```
 
-Load the model pretrained on IMAGENET dataset.
+Load the model pretrained on ImageNet dataset.
 ```python
 resneXt = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_se_resnext101_32x4d')
 utils = torch.hub.load('NVIDIA/DeepLearningExamples:torchhub', 'nvidia_convnets_processing_utils')

diff --git a/nvidia_deeplearningexamples_ssd.md b/nvidia_deeplearningexamples_ssd.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: SSD
-summary: Single Shot MultiBox Detector model for object detection
+summary: 객체 탐지를 위한 Single Shot MultiBox Detector 모델
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA
@@ -30,8 +30,7 @@ SSD300 모델은 "단일 심층 신경망을 사용하여 이미지에서 물체
 *   conv4_x의 모든 strides는 1x1로 설정됩니다.
 
 백본 뒤에는 5개의 합성곱 레이어가 추가됩니다. 또한 합성곱 레이어 외에도 6개의 detection heads를 추가했습니다.
-The backbone is followed by 5 additional convolutional layers.
-In addition to the convolutional layers, we attached 6 detection heads:
+
 *   첫 번째 detection head는 마지막 conv4_x 레이어에 연결됩니다.
 *   나머지 5개의 detection head는 추가되는 5개의 합성곱 레이어에 부착됩니다.
 

diff --git a/nvidia_deeplearningexamples_tacotron2.md b/nvidia_deeplearningexamples_tacotron2.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Tacotron 2
-summary: The Tacotron 2 model for generating mel spectrograms from text
+summary: 텍스트에서 멜 스펙트로그램(mel spectrogram)을 생성하는 Tacotron 2 모델
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA

diff --git a/nvidia_deeplearningexamples_waveglow.md b/nvidia_deeplearningexamples_waveglow.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: WaveGlow
-summary: WaveGlow model for generating speech from mel spectrograms (generated by Tacotron2)
+summary: 멜 스펙트로그램으로부터 음성을 생성하기 위한 WaveGlow 모델 (Tacotron2에 의해 생성됨)
 category: researchers
 image: nvidia_logo.png
 author: NVIDIA

diff --git a/pytorch_vision_alexnet.md b/pytorch_vision_alexnet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: AlexNet
-summary: The 2012 ImageNet winner achieved a top-5 error of 15.3%, more than 10.8 percentage points lower than that of the runner up.
+summary: 2012년 ImageNet 우승자는 15.3%의  top-5 에러율을 달성하여 준우승자보다 10.8%P 이상 낮았습니다.
 category: researchers
 image: alexnet2.png
 author: Pytorch Team
@@ -58,7 +58,7 @@ if torch.cuda.is_available():
 
 with torch.no_grad():
     output = model(input_batch)
-# Imagenet 1000개 클래스의 신뢰 점수를 나타내는 텐서
+# ImageNet 1000개 클래스의 신뢰 점수를 나타내는 텐서
 
 print(output[0])
 
@@ -90,7 +90,7 @@ AlexNet은 2012년도 ImageNet Large Scale Visual Recognition Challenge (ILSVRC)
 
 | 모델 구조 | Top-1 에러 | Top-5 에러 |
 | --------------- | ----------- | ----------- |
-|  alexnet        | 43.45       | 20.91       | -->
+|  AlexNet        | 43.45       | 20.91       | -->
 
 ### 참고문헌
 

diff --git a/pytorch_vision_deeplabv3_resnet101.md b/pytorch_vision_deeplabv3_resnet101.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Deeplabv3
-summary: DeepLabV3 models with ResNet-50, ResNet-101 and MobileNet-V3 backbones
+summary: ResNet-50, ResNet-101 또는 MobileNet-V3 백본이 포함된 DeepLab V3 모델
 category: researchers
 image: deeplab2.png
 author: Pytorch Team

diff --git a/pytorch_vision_densenet.md b/pytorch_vision_densenet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Densenet
-summary: Dense Convolutional Network (DenseNet), connects each layer to every other layer in a feed-forward fashion.
+summary: DenseNet(Dense Convolutional Network)은 피드포워드 방식으로 각 계층을 다른 모든 계층에 연결합니다.
 category: researchers
 image: densenet1.png
 author: Pytorch Team
@@ -88,7 +88,7 @@ for i in range(top5_prob.size(0)):
 
 Dense Convolutional Network (DenseNet)는 순전파(feed-forward) 방식으로 각 레이어를 다른 모든 레이어과 연결합니다. L 계층의 기존 합성곱 신경망이 L개의 연결 - 각 층과 다음 층 사이의 하나 - 인 반면 우리의 신경망은 L(L+1)/2 직접 연결을 가집니다. 각 계층에, 모든 선행 계층의 (feature-map)형상 맵은 입력으로 사용되며, 자체 형상 맵은 모든 후속 계층에 대한 입력으로 사용됩니다. DenseNets는 몇 가지 강력한 장점을 가집니다: 그레디언트가 사라지는 문제를 완화시키고, 특징 전파를 강화하며, 특징 재사용을 권장하며, 매개 변수의 수를 크게 줄입니다.
 
-사전 학습된 모델을 사용한 imagenet 데이터셋의 1-crop 오류율은 다음 표와 같습니다.
+사전 학습된 모델을 사용한 ImageNet 데이터셋의 1-crop 오류율은 다음 표와 같습니다.
 
 | Model structure | Top-1 error | Top-5 error |
 | --------------- | ----------- | ----------- |

diff --git a/pytorch_vision_fcn_resnet101.md b/pytorch_vision_fcn_resnet101.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: FCN
-summary: Fully-Convolutional Network model with ResNet-50 and ResNet-101 backbones
+summary: ResNet-50 및 ResNet-101 백본을 사용하는 완전 컨볼루션 네트워크 모델
 category: researchers
 image: fcn2.png
 author: Pytorch Team

diff --git a/pytorch_vision_ghostnet.md b/pytorch_vision_ghostnet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: GhostNet
-summary: Efficient networks by generating more features from cheap operations
+summary: 적은 연산에서 더 많은 특징을 생성하여 효율적인 네트워크
 category: researchers
 image: ghostnet.png
 author: Huawei Noah's Ark Lab

diff --git a/pytorch_vision_googlenet.md b/pytorch_vision_googlenet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: GoogLeNet
-summary: GoogLeNet was based on a deep convolutional neural network architecture codenamed "Inception" which won ImageNet 2014.
+summary: GoogLeNet은 "Inception"이라는 심층 컨볼루션 신경망 아키텍처를 기반으로 하여 ImageNet 2014에서 수상했습니다.
 category: researchers
 image: googlenet1.png
 author: Pytorch Team

diff --git a/pytorch_vision_ibnnet.md b/pytorch_vision_ibnnet.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: IBN-Net
-summary: Networks with domain/appearance invariance
+summary: 도메인/외관 불변성을 갖는 네트워크
 category: researchers
 image: ibnnet.png
 author: Xingang Pan

diff --git a/pytorch_vision_inception_v3.md b/pytorch_vision_inception_v3.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: Inception_v3
-summary: Also called GoogleNetv3, a famous ConvNet trained on Imagenet from 2015
+summary: GoogleNetv3이라고도 불리는, 2015년 ImageNet으로 훈련된 유명한 ConvNet
 category: researchers
 image: inception_v3.png
 author: Pytorch Team
@@ -57,7 +57,7 @@ if torch.cuda.is_available():
 
 with torch.no_grad():
     output = model(input_batch)
-# output은 shape가 [1000]인 Tensor 자료형이며, 이는 Imagenet 데이터셋의 1000개의 각 클래스에 대한 모델의 확신도(confidence)를 나타냄
+# output은 shape가 [1000]인 Tensor 자료형이며, 이는 ImageNet 데이터셋의 1000개의 각 클래스에 대한 모델의 확신도(confidence)를 나타냄
 print(output[0])
 # output은 정규화되지 않았으므로, 확률화하기 위해 softmax 함수를 처리
 probabilities = torch.nn.functional.softmax(output[0], dim=0)

diff --git a/pytorch_vision_meal_v2.md b/pytorch_vision_meal_v2.md
@@ -3,7 +3,7 @@ layout: hub_detail
 background-class: hub-background
 body-class: hub
 title: MEAL_V2
-summary: Boosting Tiny and Efficient Models using Knowledge Distillation.
+summary: Knowledge Distillation을 사용한 작고 효율적인 모델
 category: researchers
 image: MEALV2.png
 author: Carnegie Mellon University