feat(detect): --label-studio 一步生成可导入 Label Studio 的复核视图

label-studio-converter import yolo 只认 <input>/{images,labels,classes.txt}，且
os.listdir 不递归，看不见 train/val 子目录，直接喂数据集会 "No labels converted"。
按类别重命名后文件名全局唯一，于是在 <out>/label_studio/ 下把两个 split 拍平
（硬链接：Label Studio 本地存储会校验路径在 DOCUMENT_ROOT 之下，软链接可能越界），
再调用 converter 生成 tasks.json 与 labeling config。

- 框以 predictions 导入：它们是 SHAP/Grad-CAM 生成的，审核员提交后才成为
  annotation，导出时没审过的框不会混进去。
- 不传 image_dims：真实数据有 3223 种尺寸，传了会写错每条标注的宽高。
- 任务数与图片数不符时报错，而不是静默少导。
- converter 自带的导入提示漏掉了 LABEL_STUDIO_LOCAL_FILES_* 环境变量（它在循环里
  改写了 image_root_url，之后与默认值比较失败），静音后由脚本打印带实际路径的步骤。

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

README.md

@@ -633,6 +633,40 @@ data/boxes_gradcam/
 **classes.txt** 是给 LabelImg / X-AnyLabeling 这类标注工具用的，人工复核、修改框时
 靠它把 class_id 映射回类别名；ultralytics 训练本身只读 `data.yaml`，两者内容严格一致。
 
+### 导入 Label Studio 人工复核
+
+弱监督框需要人工把关。加 `--label-studio` 会额外生成一份可以直接导入的视图：
+
+```bash
+uv run python scripts/prepare_yolo_dataset.py --source runs/boxes_shap --label-studio
+```
+
+```
+data/boxes_shap/label_studio/
+├── images/*.png  labels/*.txt  classes.txt   # 两个 split 拍平，硬链接
+├── tasks.json                                # 每张图一个任务，框作为 predictions
+└── tasks.label_config.xml                    # 9 个类别的 RectangleLabels
+```
+
+脚本结束时会打印带实际路径的导入步骤：设置 `LABEL_STUDIO_LOCAL_FILES_*` 环境变量启动、
+粘贴 labeling config、添加 Local files 存储（**只保存不要 Sync**，否则每张图多出一个空任务）、
+导入 `tasks.json`。
+
+几个取舍：
+
+- **为什么要拍平**：`label-studio-converter import yolo` 只认 `<input>/{images,labels,classes.txt}`，
+  且 `os.listdir` 不递归，看不见 `train/`、`val/`。按类别重命名后文件名全局唯一，可以直接合并。
+- **硬链接而不是软链接**：Label Studio 读本地文件时会检查路径是否在 `DOCUMENT_ROOT` 之下，
+  软链接解析后可能落到外面。
+- **框作为 predictions 而不是 annotations**：它们是模型生成的。审核员修改提交后才成为 annotation，
+  哪些审过一目了然，导出时也只导出 annotation，没审过的框不会混进去。
+- **不传 `--image-dims`**：图片尺寸有 3,223 种，传了会把同一个宽高写进每条标注。
+- converter 自带的导入提示漏了环境变量（它在循环里改写了 `image_root_url`，与默认值比较失败），
+  所以它的输出被静音，改由脚本打印。
+
+> **复核重点是 `normal`。** SHAP 在每张图上都框了东西，`normal` 有 4,295 个框、占 38%。
+> 若 `normal` 表示无缺陷，这些框要删掉，否则检测器会学着"检测正常"。
+
 ### 划分
 
 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：