Docs/readme refresh

README.md

@@ -15,7 +15,7 @@ From raw images to test renders in a single browser window, including from your
 
 <br>
 
-<img src="docs/images/hero-en.png" alt="The training page on desktop and the training monitor on a phone" width="100%">
+<img src="docs/images/projects-en.png" alt="Projects: every LoRA project with its current step, the running task and the queue" width="100%">
 
 </div>
 
@@ -34,7 +34,7 @@ Dataset → curation → preprocess → tags → reg set → training → queue
 <td width="50%" valign="top">
 
 **📖 Every setting explains itself**<br>
-All 182 training options carry a plain-language description and a recommended value, in English or Russian, right next to the field.
+All 182 training options carry a plain-language description and a recommended value, in English or Russian: hover the setting name to see it.
 
 </td>
 </tr>
@@ -56,6 +56,43 @@ Block swap, fp8, latent and text-encoder caches, NaViT packing. Before you start
 
 <br>
 
+## A quick tour
+
+<table>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/overview-en.png" alt="Project overview" width="100%"><br>
+<b>Project overview</b> · The pipeline of the active version, KPIs, tasks and versions on one page.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/dataset-en.png" alt="Dataset" width="100%"><br>
+<b>Dataset</b> · Drag & drop or Booru scrape, with format and size stats.
+</td>
+</tr>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/curate-en.png" alt="Curation" width="100%"><br>
+<b>Curation</b> · Dataset → train set, concept folders with repeats, validation set.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/train-en.png" alt="Train" width="100%"><br>
+<b>Train</b> · Config with a hover tip on every setting, step budget and a live preview.
+</td>
+</tr>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/task-en.png" alt="Task" width="100%"><br>
+<b>Task</b> · Loss and LR curves, samples per epoch, logs and outputs.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/queue-en.png" alt="Queue" width="100%"><br>
+<b>Queue</b> · One GPU slot, a timeline to the end of the queue, pause and resume.
+</td>
+</tr>
+</table>
+
+<br>
+
 ## Features
 
 ### 🗂 Dataset
@@ -73,7 +110,7 @@ Block swap, fp8, latent and text-encoder caches, NaViT packing. Before you start
 - **GPU queue**: pause with progress saved, resume, hold the queue, schedule a start.
 - **Monitoring**: loss / LR curves, per-step samples, logs, output files with a zip export.
 
-<img src="docs/images/monitor-en.png" alt="Training monitor: loss, learning rate, samples" width="100%">
+<img src="docs/images/task-en.png" alt="Task page: progress, loss and learning rate, samples per epoch" width="100%">
 
 ### 🧪 Algorithms
 | | |
@@ -91,8 +128,6 @@ Block swap, fp8, latent and text-encoder caches, NaViT packing. Before you start
 - Prompts straight from dataset captions, several LoRAs with individual weights.
 - **Checkpoint soup**: average several epochs or runs into one file and test it right away. Incompatible checkpoints are refused up front with the reason.
 
-<img src="docs/images/soup-en.png" alt="Checkpoint soup" width="100%">
-
 ### ⚙️ Environment
 - The first launch creates a `venv`, picks a PyTorch build for your driver (cu118–cu130) and installs dependencies.
 - All caches (pip, HuggingFace, torch, npm) stay inside the project folder.
@@ -105,15 +140,10 @@ Outputs are saved as `lora_unet_*` and load into ComfyUI without conversion.
 
 ## From your phone
 
-<img src="docs/images/phones-en.png" alt="Project overview, monitor and training page on a phone" width="100%">
-
 Every page is laid out for a phone: columns stack, the monitor takes the full width, crop handles and thumbnail checkboxes work with a finger.
 
 <table>
 <tr>
-<td width="46%" valign="top">
-<img src="docs/images/remote-en.png" alt="Remote access settings" width="100%">
-</td>
 <td valign="top">
 
 **Settings → Remote access**
@@ -146,7 +176,7 @@ Nothing is opened on your router. The link carries a persistent access key, and
 <td width="33%" valign="top">
 
 **🎨 Interface**<br>
-New design on [Tailark](https://tailark.com) (zinc + indigo, Geist). Fully in English and Russian, no Chinese left in the UI.
+New design, ported page by page from an approved mockup: warm neutrals, a lime accent, Geist type. Every setting explains itself on hover. Fully in English and Russian, no Chinese left in the UI.
 
 </td>
 <td width="33%" valign="top">

README.ru.md

@@ -15,7 +15,7 @@
 
 <br>
 
-<img src="docs/images/hero-ru.png" alt="Страница тренировки на компьютере и монитор тренировки на телефоне" width="100%">
+<img src="docs/images/projects-ru.png" alt="Проекты: все LoRA-проекты с текущим шагом, идущей тренировкой и очередью" width="100%">
 
 </div>
 
@@ -34,7 +34,7 @@
 <td width="50%" valign="top">
 
 **📖 Каждая настройка объясняет себя**<br>
-У всех 182 параметров тренировки есть понятное описание и рекомендуемое значение на русском или английском, прямо рядом с полем.
+У всех 182 параметров тренировки есть понятное описание и рекомендуемое значение на русском или английском: наведите на название настройки.
 
 </td>
 </tr>
@@ -56,6 +56,43 @@ Block swap, fp8, кеши латентов и текстового энкоде
 
 <br>
 
+## Экскурсия по студии
+
+<table>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/overview-ru.png" alt="Обзор проекта" width="100%"><br>
+<b>Обзор проекта</b> · Конвейер активной версии, ключевые цифры, задачи и версии на одной странице.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/dataset-ru.png" alt="Датасет" width="100%"><br>
+<b>Датасет</b> · Перетаскивание файлов или сбор с Booru, статистика по форматам и объёму.
+</td>
+</tr>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/curate-ru.png" alt="Отбор в train" width="100%"><br>
+<b>Отбор в train</b> · Датасет → train-набор, папки концептов с повторами, validation-набор.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/train-ru.png" alt="Тренировка" width="100%"><br>
+<b>Тренировка</b> · Конфиг с подсказкой у каждой настройки, бюджет шагов и живой предпросмотр.
+</td>
+</tr>
+<tr>
+<td width="50%" valign="top">
+<img src="docs/images/task-ru.png" alt="Задача" width="100%"><br>
+<b>Задача</b> · Кривые loss и LR, сэмплы по эпохам, логи и выходные файлы.
+</td>
+<td width="50%" valign="top">
+<img src="docs/images/queue-ru.png" alt="Очередь" width="100%"><br>
+<b>Очередь</b> · Один слот GPU, план до конца очереди, пауза и продолжение.
+</td>
+</tr>
+</table>
+
+<br>
+
 ## Возможности
 
 ### 🗂 Датасет
@@ -73,7 +110,7 @@ Block swap, fp8, кеши латентов и текстового энкоде
 - **GPU-очередь**: пауза с сохранением прогресса, возобновление, заморозка очереди, отложенный старт.
 - **Мониторинг**: кривые loss / LR, сэмплы по шагам, логи, файлы результатов с выгрузкой в zip.
 
-<img src="docs/images/monitor-ru.png" alt="Монитор тренировки: loss, learning rate, сэмплы" width="100%">
+<img src="docs/images/task-ru.png" alt="Страница задачи: прогресс, loss и learning rate, сэмплы по эпохам" width="100%">
 
 ### 🧪 Алгоритмы
 | | |
@@ -91,8 +128,6 @@ Block swap, fp8, кеши латентов и текстового энкоде
 - Промпты прямо из капшенов датасета, несколько LoRA с отдельными весами.
 - **Суп из чекпоинтов**: усреднить несколько эпох или прогонов в один файл и сразу проверить. Несовместимые чекпоинты отсекаются заранее с объяснением.
 
-<img src="docs/images/soup-ru.png" alt="Суп из чекпоинтов" width="100%">
-
 ### ⚙️ Окружение
 - Первый запуск сам создаёт `venv`, подбирает сборку PyTorch под драйвер (cu118–cu130) и ставит зависимости.
 - Все кеши (pip, HuggingFace, torch, npm) остаются в папке проекта.
@@ -105,15 +140,10 @@ Block swap, fp8, кеши латентов и текстового энкоде
 
 ## Доступ с телефона
 
-<img src="docs/images/phones-ru.png" alt="Обзор проекта, монитор и страница тренировки на телефоне" width="100%">
-
 Все страницы свёрстаны под телефон: колонки выстраиваются друг под другом, монитор занимает всю ширину, ручки кропа и галочки на миниатюрах работают пальцем.
 
 <table>
 <tr>
-<td width="46%" valign="top">
-<img src="docs/images/remote-ru.png" alt="Настройки удалённого доступа" width="100%">
-</td>
 <td valign="top">
 
 **Настройки → Удалённый доступ**
@@ -146,7 +176,7 @@ Block swap, fp8, кеши латентов и текстового энкоде
 <td width="33%" valign="top">
 
 **🎨 Интерфейс**<br>
-Новый дизайн на [Tailark](https://tailark.com) (zinc + indigo, Geist). Полностью на русском и английском, китайского в UI не осталось.
+Новый дизайн, перенесённый постранично из утверждённого макета: тёплые нейтральные цвета, лаймовый акцент, шрифт Geist. У каждой настройки подсказка по наведению на название. Полностью на русском и английском, китайского в UI не осталось.
 
 </td>
 <td width="33%" valign="top">

studio/web/src/i18n/locales/en.json

@@ -348,10 +348,10 @@
       "lrScheduler": {
         "none": "Constant",
         "cosine": "Cosine",
-        "cosineWithRestart": "Cosine with restart",
+        "cosineWithRestart": "Cosine with warm restarts",
         "cosineWithWarmup": "Cosine with warmup",
-        "cosineCycles": "Custom cosine cycles",
-        "constantThenCosine": "Constant, then cosine decay"
+        "cosineCycles": "Cosine with equal cycles",
+        "constantThenCosine": "Constant with cosine decay"
       },
       "optimizerType": {
         "adamw": "AdamW",
@@ -471,7 +471,7 @@
       "grad_checkpoint": "Gradient checkpointing (saves VRAM, roughly +1/3 compute)",
       "grad_accum": "Gradient accumulation steps (effective batch = batch_size × grad_accum)",
       "learning_rate": "Learning rate. Automagic recommends 1e-6 (auto-applied on switch); Lion recommends AdamW lr / 3; Prodigy / PPSF require 1.0",
-      "lr_scheduler": "Learning-rate scheduler (none = constant; Prodigy / PPSF lock this to none)",
+      "lr_scheduler": "How the learning rate changes over the run. Constant: it stays the same. Cosine: it eases down to the end. Cosine with warmup: a ramp-up first, then a smooth decay. Cosine with warm restarts: decays and restarts, each cycle longer than the last. Cosine with equal cycles: N identical cosine cycles, each can have its own peak. Constant with cosine decay: flat learning rate, then a smooth decay at the end. Prodigy, PPSF, Automagic and SOAP-SF always use Constant.",
       "lr_scheduler_t0": "First cosine_with_restart cycle length (unit: step)",
       "lr_scheduler_t_mult": "cosine_with_restart cycle-length multiplier relative to the previous cycle (>1 = lengthening cycles)",
       "lr_scheduler_eta_min": "LR decay floor for cosine schedules; should be much smaller than the initial lr (e.g. 1e-6 for an initial lr of 1e-4)",
@@ -648,7 +648,7 @@
       "lora_module_dropout": "0.05–0.1 — cheap protection against copying",
       "learning_rate": "1e-4 for LoKr with AdamW",
       "grad_accum": "2–4",
-      "lr_scheduler": "cosine_with_warmup",
+      "lr_scheduler": "Cosine with warmup",
       "lr_scheduler_warmup_steps": "100",
       "grad_clip_max_norm": "1.0",
       "optimizer_type": "adamw is the honest baseline; soap converges faster at the same lr",

studio/web/src/i18n/locales/ru.json

@@ -969,8 +969,12 @@
   "schema": {
     "enums": {
       "lrScheduler": {
-        "cosineCycles": "Настраиваемые косинусные циклы",
-        "constantThenCosine": "Постоянная LR → плавное снижение"
+        "none": "Constant",
+        "cosine": "Cosine",
+        "cosineWithRestart": "Cosine with warm restarts",
+        "cosineWithWarmup": "Cosine with warmup",
+        "cosineCycles": "Cosine with equal cycles",
+        "constantThenCosine": "Constant with cosine decay"
       },
       "timestepSampling": {
         "dualPeak": "Dual Peak — два пика для стиля"
@@ -1078,7 +1082,7 @@
       "grad_checkpoint": "Градиентный чекпоинтинг (экономит видеопамять, примерно +1/3 вычислений)",
       "grad_accum": "Число шагов накопления градиента (эффективный батч = batch_size × grad_accum)",
       "learning_rate": "Скорость обучения. Для automagic рекомендуется 1e-6 (подставляется автоматически); для lion — lr AdamW делённая на 3; prodigy и PPSF требуют 1.0",
-      "lr_scheduler": "Расписание скорости обучения (none — постоянная; prodigy и PPSF жёстко требуют none)",
+      "lr_scheduler": "Как меняется скорость обучения по ходу тренировки. Constant — не меняется. Cosine — плавно снижается к концу. Cosine with warmup — сначала разгон, потом плавный спад. Cosine with warm restarts — спад с перезапусками, каждый цикл длиннее предыдущего. Cosine with equal cycles — N одинаковых косинусных циклов, у каждого можно задать свой пик. Constant with cosine decay — постоянная lr, а в конце плавный спад. Prodigy, PPSF, Automagic и SOAP-SF всегда используют Constant.",
       "lr_scheduler_t0": "Длина первого цикла cosine_with_restart (в шагах)",
       "lr_scheduler_t_mult": "Во сколько раз каждый следующий цикл cosine_with_restart длиннее предыдущего (>1 — циклы растут)",
       "lr_scheduler_eta_min": "Нижний предел затухания для косинусных расписаний; должен быть сильно меньше стартовой lr (например 1e-6 при старте 1e-4)",
@@ -1195,7 +1199,7 @@
       "lora_module_dropout": "0.05–0.1 — дешёвая защита от копирования",
       "learning_rate": "1e-4 для LoKr с AdamW",
       "grad_accum": "2–4",
-      "lr_scheduler": "cosine_with_warmup",
+      "lr_scheduler": "Cosine with warmup",
       "lr_scheduler_warmup_steps": "100",
       "grad_clip_max_norm": "1.0",
       "optimizer_type": "adamw — честная база; soap сходится быстрее при той же lr",

studio/web/src/i18n/locales/zh.json

@@ -309,10 +309,10 @@
       "lrScheduler": {
         "none": "常数",
         "cosine": "Cosine",
-        "cosineWithRestart": "Cosine 重启",
+        "cosineWithRestart": "Cosine 热重启",
         "cosineWithWarmup": "Cosine 预热",
-        "cosineCycles": "自定义 Cosine 周期",
-        "constantThenCosine": "常数后 Cosine 衰减"
+        "cosineCycles": "Cosine 等长周期",
+        "constantThenCosine": "常数 + Cosine 衰减"
       },
       "optimizerType": {
         "adamw": "AdamW",