feat: 新增缺陷分类训练与评估链路

在聚类 + 人工归类得到的数据集（data/<集>/<类别名>/*.png）上训练分类模型。

- datasets/classification.py：按目录组织的分类数据集，**逐类分层**切分 train/val
  （others 只有 65 张，整体随机切很容易让它在验证集里挂零），固定种子可复现
- models/classifier.py：卷积骨架 + 分类头，与 DefectNet 共用 backbone 注册表，
  因此自监督产出的 simclr_backbone.pth 可用 init_from 直接初始化；
  frozen_backbone 可做线性探针
- engine/classification.py：训练循环 + 指标。主指标用 macro-F1 而非准确率——
  数据从 normal 2679 张到 others 65 张差 41 倍，全预测成 normal 也有 24% 准确率；
  损失按类别频率加权，避免小类被淹没；输出逐类 P/R/F1 与混淆矩阵
- classify.py：训练/评估入口，--eval-only 可单独评估并导出 eval_report.json
- configs/classify/film.yaml：预处理沿用聚类阶段的结论（拉伸 + 逐图标准化）。
  抹掉亮度在这里尤其重要：有几类几乎只来自单一原始数据集，不抹掉的话模型可能
  靠"认出这是哪个数据集"作弊
- 续训语义与检测/自监督一致：检查点只提供进度，超参以配置为准

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

configs/classify/film.yaml

@@ -0,0 +1,78 @@
+# 在人工归类好的数据集上训练缺陷分类模型。
+#
+# 数据来自 scripts/export_clusters.py：自监督聚类 + 人工整理后的 15 个类别。
+#
+# 用法：
+#   uv run python classify.py --config configs/classify/film.yaml
+#   uv run python classify.py --config configs/classify/film.yaml --eval-only \
+#       --checkpoint runs/classify/best.pth
+
+work_dir: runs/classify
+seed: 42
+device: auto
+
+data:
+  root: data/orgnized_from_r101_k40
+  val_ratio: 0.2
+  exclude: []           # 需要剔除某些类别时写在这里，如 [unknown, others]
+  classes: null         # null = 按目录名排序自动确定；训练与评估必须一致
+
+  # 预处理沿用聚类阶段的结论：
+  #   - 拉伸到 128x128 而不是 letterbox——尺寸与宽高比是 ROI 裁剪的产物，不是缺陷属性；
+  #   - 逐图标准化抹掉整体亮度/对比度。这里尤其重要：15 个类别里有几类几乎只来自
+  #     单一原始数据集（ripple 几乎全是 pearlescent、grease 与 zigzag 全是 film），
+  #     不抹掉亮度的话模型可能靠"认出这是哪个数据集"就把类别猜对，看着准确率很高，
+  #     换个批次的数据就崩。
+  image_size: [128, 128]
+  train_transforms:
+    - {name: Resize, size: [128, 128]}
+    - {name: RandomHorizontalFlip, p: 0.5}
+    - {name: RandomVerticalFlip, p: 0.5}
+    - {name: ToTensor}
+    - {name: PerImageStandardize}
+  val_transforms:
+    - {name: Resize, size: [128, 128]}
+    - {name: ToTensor}
+    - {name: PerImageStandardize}
+
+  loader:
+    batch_size: 128
+    num_workers: 8
+
+model:
+  name: classifier
+  backbone:
+    name: torchvision
+    arch: resnet18
+    pretrained: true
+    in_channels: 3
+  classification:
+    dropout: 0.2
+  # 用自监督预训练的骨架初始化——那正是前面聚类阶段的产物。
+  # 例：runs/simclr_r101/simclr_backbone.pth（注意 backbone 配置要与自监督时一致）
+  init_from: null
+  frozen_backbone: false      # true = 冻结骨架只训分类头（线性探针）
+
+train:
+  epochs: 30
+  amp: auto
+  clip_grad: 5.0
+  log_interval: 20
+
+  # 主指标用 macro-F1 而不是准确率：数据从 normal 2679 张到 others 65 张差 41 倍，
+  # 全预测成 normal 也有 24% 准确率，但 macro-F1 会很低。
+  monitor: macro_f1
+
+  # 按类别频率加权，避免小类被淹没；不需要时设 none。
+  class_weight: balanced
+  label_smoothing: 0.05
+
+  optimizer: {name: adamw, lr: 0.0003, weight_decay: 0.0001}
+  scheduler: {name: cosine}
+
+  swanlab:
+    enabled: true
+    project: film-classify
+    name: null
+    mode: local
+    tags: [classify, resnet18]