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>

scripts/generate_boxes.py

@@ -30,7 +30,9 @@ images/ 与 labels/ 的对应关系符合本仓库的 YOLO 约定（datasets/yol
 所以 `FilmDefectDataset` 能直接读。
 
 默认对**全量**数据生成；`--limit` / `--per-class` 只用于快速试参数。
-热力图默认针对模型的 **top1 预测类别**；`--target label` 可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类别**（`--target label`）：类别的真值是人工归类，
+分类模型只负责回答"为什么是这个类"，也就是框在哪里。`--target predicted` 改用模型的 top1 预测，
+这时模型分错的图，框的类别也会跟着错。
 """
 
 from __future__ import annotations
@@ -132,8 +134,8 @@ def parse_args() -> argparse.Namespace:
     parser.add_argument("--set", nargs="*", default=[], metavar="KEY=VALUE")
     parser.add_argument("--device", default=None)
     parser.add_argument(
-        "--target", choices=("predicted", "label"), default="predicted",
-        help="热力图针对哪个类别：predicted=模型 top1 预测（默认），label=图片所在目录",
+        "--target", choices=("predicted", "label"), default="label",
+        help="热力图与框针对哪个类别：label=图片所在目录的人工标注（默认），predicted=模型 top1 预测",
     )
 
     parser.add_argument("--threshold", type=float, default=0.4, help="热力图阈值（相对最大值）")