HardNet 번역

pytorch_vision_hardnet.md

@@ -27,23 +27,22 @@ model = torch.hub.load('PingoLH/Pytorch-HarDNet', 'hardnet68', pretrained=True)
 model.eval()
 ```
 
-All pre-trained models expect input images normalized in the same way,
-i.e. mini-batches of 3-channel RGB images of shape `(3 x H x W)`, where `H` and `W` are expected to be at least `224`.
-The images have to be loaded in to a range of `[0, 1]` and then normalized using `mean = [0.485, 0.456, 0.406]`
-and `std = [0.229, 0.224, 0.225]`.
+모든 사전 훈련된 모델은 동일한 방식으로 정규화된 입력 이미지를 요구합니다.
+즉, `H`와 `W`가 최소 `224`의 크기를 가지는 `(3 x H x W)`형태의 3채널 RGB 이미지의 미니배치가 필요합니다. 
+이미지를 [0, 1] 범위로 불러온 다음 `mean = [0.485, 0.456, 0.406]`, `std = [0.229, 0.224, 0.225]`를 이용하여 정규화해야 합니다.
 
-Here's a sample execution.
+다음은 실행예시입니다.
 
 ```python
-# Download an example image from the pytorch website
+# 파이토치 웹 사이트에서 예제 이미지 다운로드
 import urllib
 url, filename = ("https://github.com/pytorch/hub/raw/master/images/dog.jpg", "dog.jpg")
 try: urllib.URLopener().retrieve(url, filename)
 except: urllib.request.urlretrieve(url, filename)
 ```
 
 ```python
-# sample execution (requires torchvision)
+# 실행예시 (torchvision이 요구됩니다)
 from PIL import Image
 from torchvision import transforms
 input_image = Image.open(filename)
@@ -54,48 +53,44 @@ preprocess = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
 ])
 input_tensor = preprocess(input_image)
-input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model
+input_batch = input_tensor.unsqueeze(0) # 모델에서 요구하는 미니배치 생성
 
-# move the input and model to GPU for speed if available
+# GPU 사용이 가능한 경우 속도를 위해 입력과 모델을 GPU로 이동
 if torch.cuda.is_available():
     input_batch = input_batch.to('cuda')
     model.to('cuda')
 
 with torch.no_grad():
     output = model(input_batch)
-# Tensor of shape 1000, with confidence scores over Imagenet's 1000 classes
+# ImageNet의 1000개 클래스에 대한 신뢰도 점수를 가진 1000 형태의 Tensor 출력
 print(output[0])
-# The output has unnormalized scores. To get probabilities, you can run a softmax on it.
+# 출력은 정규화되어있지 않습니다. 소프트맥스를 실행하여 확률을 얻을 수 있습니다.
 probabilities = torch.nn.functional.softmax(output[0], dim=0)
 print(probabilities)
 ```
 
 ```
-# Download ImageNet labels
+# ImageNet 레이블 다운로드
 !wget https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt
 ```
 
 ```
-# Read the categories
+# 카테고리 읽어오기
 with open("imagenet_classes.txt", "r") as f:
     categories = [s.strip() for s in f.readlines()]
-# Show top categories per image
+# 이미지마다 상위 카테고리 5개 보여주기
 top5_prob, top5_catid = torch.topk(probabilities, 5)
 for i in range(top5_prob.size(0)):
     print(categories[top5_catid[i]], top5_prob[i].item())
 ```
 
-### Model Description
+### 모델 설명
 
-Harmonic DenseNet (HarDNet) is a low memory traffic CNN model, which is fast and efficient.
-The basic concept is to minimize both computational cost and memory access cost at the same
-time, such that the HarDNet models are 35% faster than ResNet running on GPU
-comparing to models with the same accuracy (except the two DS models that
-were designed for comparing with MobileNet).
+HarDNet(Harmonic DenseNet)은 낮은 메모리 트래픽을 가지는 CNN 모델로 빠르고 효율적입니다.
+기본 개념은 계산 비용과 메모리 접근 비용을 동시에 최소화하는 것입니다. 따라서 HarDNet 모델은 동일한 정확도를 가진 ResNet 모델에 비해 GPU에서 실행되는 속도가 35% 더 빠릅니다. (MobileNet과 비교하기 위해 설계된 두 DS 모델은 제외)
 
-Here we have the 4 versions of hardnet models, which contains 39, 68, 85 layers
-w/ or w/o Depthwise Separable Conv respectively.
-Their 1-crop error rates on imagenet dataset with pretrained models are listed below.
+아래에는 각각 깊이별 분리 가능한 Conv 레이어가 있거나 없는 39, 68, 85개의 레이어를 포함한 4가지 버전의 HardNet 모델이 있습니다.
+사전 훈련된 모델에 대해 ImageNet 데이터셋의 1-crop 오류율은 아래에 나열되어 있습니다.
 
 | Model structure | Top-1 error | Top-5 error |
 | --------------- | ----------- | ----------- |
@@ -104,6 +99,6 @@ Their 1-crop error rates on imagenet dataset with pretrained models are listed b
 |  hardnet68      | 23.52       | 6.99        |
 |  hardnet85      | 21.96       | 6.11        |
 
-### References
+### 참고문헌
 
  - [HarDNet: A Low Memory Traffic Network](https://arxiv.org/abs/1909.00948)