Revert "约束预测框互不重叠"（eba533a、9439cbb）

去掉强制非重叠：detect.py 不再给 DetectionValidator.postprocess 打补丁，
配置里移除 train.max_overlap 与 agnostic_nms，可视化脚本恢复为直接使用模型原始输出，
engine/detection 里的 suppress_overlaps / filter_overlapping_outputs 一并移除。

约束会把 mAP50 从 0.555 压到 0.483（precision 0.536->0.612），代价是按置信度抑制时
高分错框会压掉本可命中的低分框。需要时用 git revert 这次提交即可取回。

按类别分目录的可视化产出结构（36fff98）保留。

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

engine/detection.py

@@ -102,84 +102,6 @@ def match_boxes(
     )
 
 
-def suppress_overlaps(
-    boxes: Sequence[Box], max_iou: float = 0.0, contained: bool = True
-) -> list[int]:
-    """贪心地挑出互不重叠的框，返回保留下来的下标（按输入顺序）。
-
-    按置信度从高到低考察，与任一已保留框重叠超过 `max_iou` 就丢弃。
-
-    为什么需要这一步：NMS 只在**同类**内、且按固定 IoU 阈值抑制，所以同一处缺陷被两个
-    类别各框一次（跨类重复），或两个框 IoU 低于 NMS 阈值时，都会留下重叠框。而人工标注的
-    真值里一处缺陷只有一个框，零重叠——推理侧不加这层约束，指标和图上都会出现真值里
-    不可能有的形态。
-
-    Args:
-        max_iou: 允许的最大 IoU。0 表示碰到就算重叠，完全不允许。
-        contained: 是否额外丢弃被已保留框完全包住的框。整图大框套小框时 IoU 可能很小
-            （面积悬殊），但那显然是同一处目标的重复表达。
-    """
-    order = sorted(range(len(boxes)), key=lambda i: -(boxes[i].score or 0.0))
-    kept: list[int] = []
-    for index in order:
-        box = boxes[index]
-        if any(
-            iou(box, boxes[other]) > max_iou or (contained and _inside(box, boxes[other]))
-            for other in kept
-        ):
-            continue
-        kept.append(index)
-    return sorted(kept)
-
-
-def _inside(inner: Box, outer: Box) -> bool:
-    """inner 是否完全落在 outer 里（含边界）。"""
-    return (
-        outer.x1 <= inner.x1 and outer.y1 <= inner.y1
-        and outer.x2 >= inner.x2 and outer.y2 >= inner.y2
-    )
-
-
-def filter_overlapping_outputs(
-    outputs: list[dict], max_iou: float = 0.0, contained: bool = True
-) -> list[dict]:
-    """给 ultralytics 验证器 postprocess 的输出补上"框不重叠"约束。
-
-    每个元素是一张图的结果：`bboxes`（xyxy）、`conf`、`cls` 等张量。坐标是不是归一化的
-    无所谓，IoU 与尺度无关。
-
-    为什么要在这里补：yolo26 这类**端到端模型不走 IoU 抑制**。ultralytics 的
-    `non_max_suppression` 对它们早退（`utils/nms.py` 里 `prediction.shape[-1] == 6 or end2end`
-    的分支），只按置信度与 `max_det` 截断，传入的 `iou` 和 `agnostic` 都不生效；
-    `agnostic_nms` 只作用于检测头的 top-k（每个 anchor 取一个类别），压不掉不同 anchor
-    产生的重叠框。不补这一步，训练期的验证指标就和最终推理对不上。
-    """
-    filtered = []
-    for output in outputs:
-        boxes = [
-            Box(int(class_id), *(float(v) for v in xyxy), float(score))
-            for xyxy, score, class_id in zip(
-                output["bboxes"].tolist(), output["conf"].tolist(), output["cls"].tolist(),
-                strict=True,
-            )
-        ]
-        kept = suppress_overlaps(boxes, max_iou=max_iou, contained=contained)
-        if len(kept) == len(boxes):
-            filtered.append(output)
-            continue
-        # 张量用列表下标筛选；空结果不能用 [] 索引，改用零长切片
-        filtered.append({
-            key: (value[kept] if kept else value[:0]) if _is_per_box(value, len(boxes)) else value
-            for key, value in output.items()
-        })
-    return filtered
-
-
-def _is_per_box(value, count: int) -> bool:
-    """这个张量是不是"每个框一行"——只有这种才跟着筛选。"""
-    return hasattr(value, "shape") and len(getattr(value, "shape", ())) >= 1 and len(value) == count
-
-
 def draw_boxes(image, ground_truth: Sequence[Box], predictions: Sequence[Box],
                classes: Sequence[str], match: Match, width: int = 2):
     """把真值与预测画在图上（就地修改传入的 PIL 图像并返回）。