feat(boxes): generate_boxes.py 的 --target 默认改为 label

框的类别应该来自人工归类（图片所在目录），分类模型只负责定位。原先默认 predicted，
框的类别取模型 top1 预测，模型分错的图会把错误类别写进标签：boxes_shap 那次预测与
目录一致率 0.9915，约 95 张图的类别因此是错的。

两种取值只在预测与目录不一致的图上有区别，其余图解释的是同一个 logit、框完全相同。
--target predicted 仍保留。

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

README.md

@@ -557,7 +557,9 @@ runs/<name>/
 `images/` 与 `labels/` 的对应关系符合本仓库的 YOLO 约定，所以 `FilmDefectDataset`
 能直接读——这一步把分类的产出接回了检测训练链路。
 
-热力图默认针对模型的 **top1 预测类别**；`--target label` 改用图片所在目录的标注类别。
+热力图与框的类别默认取**图片所在目录的人工标注**（`--target label`）。类别的真值是人工归类，
+分类模型只用来定位；改用 `--target predicted`（模型 top1 预测）时，模型分错的图框的类别也会跟着错。
+两者只在预测与目录不一致的图上有区别——`boxes_shap` 那次是 0.85%，约 95 张。
 `summary.json` 里的 `prediction_matches_folder_label` 记录两者的一致率（实测 0.987）。
 
 ### 两种方法的取舍