feat: 支持 cuda / mps / cpu 三后端，Mac 上可用 MPS 训练

移除"训练必须有 Nvidia GPU"的硬性守卫，改为按后端能力分派。

- utils/device: resolve_device("auto") 按 cuda > mps > cpu 挑最快的可用后端；
  显式指定不可用的后端时直接报错，不会悄悄退回 CPU——训练慢几十倍却不吭声是最坏的情况
- AMP 随后端取默认值：CUDA 开、MPS 关。MPS 上 autocast 数值正常但实测更慢
  （tiny_conv @128²：fp32 76 ms/步、fp16 90 ms、bf16 108 ms），需要时 amp: true 可强开
- PeakMemory 统一显存峰值统计：CUDA 读内置计数器，MPS 无峰值 API 改用逐 step 采样
  （是下界，日志与产出里已标注）
- profile_inference 支持 MPS，并提示 torch.profiler 没有 MPS 的 ProfilerActivity，
  算子明细只反映 CPU 侧下发耗时
- train.py / eval.py 新增 --device，配置默认改为 auto
- check_env 改为列出全部可用后端与 auto 的选择结果

实测：tiny_conv 训练在 MPS 上比 CPU 快约 32 倍。

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

engine/trainer.py

@@ -1,7 +1,4 @@
-"""训练循环。
-
-注意：训练入口必须先通过 `utils.device.require_cuda()` 的 GPU 检查。
-"""
+"""训练循环。支持 cuda / mps / cpu 三种后端。"""
 
 from __future__ import annotations
 
@@ -21,6 +18,7 @@ from engine.losses import DetectionLoss
 from engine.metrics import AverageMeter
 from engine.optim import build_optimizer, build_scheduler
 from engine.visualizer import SwanLabLogger
+from utils.device import PeakMemory, resolve_amp
 from utils.labels import MULTILABEL
 from utils.logging import get_logger
 
@@ -66,8 +64,10 @@ class Trainer:
         self.optimizer = build_optimizer(model, self.cfg.get("optimizer", {"name": "adamw", "lr": 1e-3}))
         self.scheduler = build_scheduler(self.optimizer, self.cfg.get("scheduler"), self.epochs)
 
-        self.amp = bool(self.cfg.get("amp", True)) and device.type == "cuda"
-        self.scaler = torch.amp.GradScaler("cuda", enabled=self.amp)
+        # amp: auto 时随后端（CUDA 开、MPS 关——MPS 上 autocast 实测比 fp32 慢）
+        self.amp = resolve_amp(self.cfg.get("amp", "auto"), device)
+        self.scaler = torch.amp.GradScaler(device.type, enabled=self.amp)
+        self.peak_memory = PeakMemory(device)
 
         self.evaluator = (
             Evaluator(
@@ -97,7 +97,7 @@ class Trainer:
         for step, batch in enumerate(self.train_loader):
             batch = _to_device(batch, self.device)
 
-            with torch.amp.autocast("cuda", enabled=self.amp):
+            with torch.amp.autocast(self.device.type, enabled=self.amp):
                 outputs = self.model(batch["images"])
                 losses = self.criterion(outputs, batch)
 
@@ -135,14 +135,18 @@ class Trainer:
         return {key: meter.avg for key, meter in meters.items()}
 
     def _gpu_memory(self) -> dict[str, float]:
-        """本轮训练的显存峰值（GB）；推理端的详细分析见 scripts/profile_inference.py。"""
-        if self.device.type != "cuda":
+        """本轮训练的显存峰值（GB）；推理端的详细分析见 scripts/profile_inference.py。
+
+        CUDA 读内置峰值计数器；MPS 没有峰值 API，用逐 step 采样的最大值（是下界）；
+        CPU 不统计。
+        """
+        if self.device.type == "cpu":
             return {}
         stats = {
-            "gpu_mem_allocated_gb": torch.cuda.max_memory_allocated(self.device) / 1024**3,
-            "gpu_mem_reserved_gb": torch.cuda.max_memory_reserved(self.device) / 1024**3,
+            "gpu_mem_allocated_gb": self.peak_memory.peak_mb / 1024,
+            "gpu_mem_reserved_gb": self.peak_memory.reserved_mb / 1024,
         }
-        torch.cuda.reset_peak_memory_stats(self.device)
+        self.peak_memory.reset()
         return stats
 
     def fit(self) -> float: