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>

models/classifier.py

@@ -0,0 +1,82 @@
+"""缺陷分类模型：卷积骨架 + 分类头。
+
+与 `DefectNet` 共用同一套 backbone 注册表，所以自监督预训练出来的骨架
+（`runs/*/simclr_backbone.pth`）可以直接拿来初始化——那正是前面聚类阶段的产物。
+按项目约定只用 convolution，不含 attention / transformer。
+"""
+
+from __future__ import annotations
+
+from collections.abc import Mapping
+from pathlib import Path
+from typing import Any
+
+import torch
+from torch import nn
+
+from models.heads.classification import ClassificationHead
+from models.registry import BACKBONES, MODELS
+from utils.logging import get_logger
+
+logger = get_logger("models.classifier")
+
+
+@MODELS.register("classifier")
+class DefectClassifier(nn.Module):
+    """Args:
+    num_classes: 类别数。
+    backbone: backbone 注册表的配置。
+    classification: 分类头参数（`hidden`/`dropout` 等）。
+    init_from: 自监督骨架权重路径；只加载 backbone，分类头仍随机初始化。
+    frozen_backbone: 冻结骨架只训分类头（线性探针，用来单独衡量自监督特征的好坏）。
+    """
+
+    def __init__(
+        self,
+        num_classes: int,
+        backbone: Mapping[str, Any] | None = None,
+        classification: Mapping[str, Any] | None = None,
+        init_from: str | Path | None = None,
+        frozen_backbone: bool = False,
+    ) -> None:
+        super().__init__()
+        self.num_classes = num_classes
+        self.backbone = BACKBONES.build(dict(backbone or {"name": "tiny_conv"}))
+        self.head = ClassificationHead(
+            self.backbone.out_channels, num_classes, **dict(classification or {})
+        )
+
+        if init_from:
+            self.load_backbone(init_from)
+        if frozen_backbone:
+            for param in self.backbone.parameters():
+                param.requires_grad_(False)
+            logger.info("骨架已冻结，只训练分类头（线性探针）")
+
+    def load_backbone(self, path: str | Path) -> None:
+        """加载自监督预训练的骨架权重。
+
+        只取 backbone 那部分：simclr_backbone.pth 里存的就是骨架 state_dict，
+        分类头是新的、必须从头学。
+        """
+        path = Path(path)
+        if not path.exists():
+            raise FileNotFoundError(f"预训练骨架不存在: {path}")
+        state = torch.load(path, map_location="cpu", weights_only=False)
+        weights = state.get("model", state.get("backbone", state))
+        missing, unexpected = self.backbone.load_state_dict(weights, strict=False)
+        logger.info(
+            "已从 %s 加载骨架权重（缺失 %d 项，多余 %d 项，已训 %s 轮）",
+            path,
+            len(missing),
+            len(unexpected),
+            state.get("epochs", "?"),
+        )
+        if len(missing) > len(list(self.backbone.state_dict())) // 2:
+            raise ValueError(
+                f"{path} 与当前骨架结构对不上（缺失 {len(missing)} 项）；"
+                "确认 backbone 配置与自监督训练时一致"
+            )
+
+    def forward(self, images: torch.Tensor) -> torch.Tensor:
+        return self.head(self.backbone(images))