feat(detect): 按来源类别处置无框图片（--empty-policy）

空标签在 YOLO 里的语义是"这张图什么都没有"，是一个明确的负样本断言，而不是
"有缺陷但没能定位出来"。原先一律保留，于是 runs/boxes_gradcam 的 339 张空标签
里有 270 张是人工标成缺陷、Grad-CAM 却失手的图（blackdot 占该类 11%、black 占
24%），它们正以"此图无缺陷"的身份进入训练，等于在教模型抑制真实缺陷。

--empty-policy 接一个全局默认加若干 `类别=策略`：
  keep 当负样本保留（默认）/ drop 丢弃 / full 退化成整图框

整图框需要重写标签而不是链接源文件（内容不同），且有了确定类别之后要跟着本类
一起参与分层划分。类别名或策略拼错直接报错——静默忽略会让策略看着生效其实没有。
没显式指定、又落到 keep 的类别会打一条告警。

替换掉原来的 --drop-empty：它是一刀切，会把 normal 那 69 张有价值的负样本一起扔掉。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

README.md

@@ -621,8 +621,38 @@ data/boxes_gradcam/
 按类别分层（`--val-ratio` 默认 0.2，`--seed` 默认 42，两次运行结果一致）。分层是必需的：
 `black` 只有 53 张、`others` 69 张，随机切很容易让某个小类在验证集里挂零，指标就成了空的。
 
-无框的图（Grad-CAM 没框出东西的那 339 张，占 3%）**默认保留**——在检测训练里它们是负样本，
-对压低误检有用。不要时加 `--drop-empty`。
+### 没有框的图怎么处理
+
+Grad-CAM 没框出东西的有 339 张（占 3%）。它们**默认保留为负样本**，对压低误检有用。
+
+但要当心：**空标签在 YOLO 里的语义是"这张图什么都没有"**——一个明确的负样本断言，
+而不是"有缺陷但没能定位出来"。而这 339 张里只有 69 张真的来自 `normal`，其余 270 张是人工
+标成缺陷、Grad-CAM 却失手的图：
+
+| 来源类别 | 空标签 | 占该类 |
+|---|---|---|
+| grease | 95 | 7.8% |
+| blackdot | 82 | 11.3% |
+| normal | 69 | 2.6% |
+| strip_h | 28 | 2.9% |
+| zigzag | 23 | 2.4% |
+| black | 17 | 24.3% |
+| 其余 9 类 | 25 | <3% |
+
+照搬的话，`blackdot` 有 11% 的正样本、`black` 有 24% 会以"此图无缺陷"的身份进入训练，
+等于在教模型抑制真实缺陷。用 `--empty-policy` 按来源类别分别处置：
+
+```bash
+uv run python scripts/prepare_yolo_dataset.py --source runs/boxes_gradcam \
+    --empty-policy drop normal=keep black=full edge_clean=full
+```
+
+- `keep`（默认）——当负样本保留。只有真正无缺陷的类别该用
+- `drop`——丢弃。缺陷类没定位出来的属于**信息缺失**，不该冒充负样本
+- `full`——退化成整图框。适合 `black`/`edge_clean` 这种描述整图属性、缺陷本就铺满全图的类别
+
+第一个裸词是全局默认，后面 `类别=策略` 逐类覆盖。类别名或策略写错会直接报错而不是静默忽略。
+没有显式指定策略、又落到 `keep` 的类别会打一条告警，提醒你确认它是否真的无缺陷。
 
 拍平之后不同类别目录下的同名文件会互相覆盖，脚本会直接报错而不是静默丢数据；
 真遇上就用 `scripts/export_clusters.py --prefix-parent` 重新导出。