feat(detect): 推理侧改为切片，与固定 160 输入一致

训练数据已经是固定边长的片，推理还把整图交给 ultralytics 就会被 letterbox 缩放，
与模型见过的形态不符。三个调用方（可视化、批量推送预测、ML backend）统一改成
切片推理再拼回原图。

- engine/tiling.merge_tiles / tiled_predict：映射回原图、裁掉镜像填充区的框、跨片去重。
  推理框架留在调用方，几何部分可单测。
- engine/detection.nms：标准 NMS，另加按包含比例抑制。缺陷被切割线切开时，相邻片
  只看到一角，给出的小残框与完整框 IoU 很小（面积悬殊），光靠 IoU 压不掉。
- engine/tiled_inference：ultralytics 的接线，内部分批，避免片数多时 OOM。
- 三处调用点加 --tile-size / --tile-overlap（后端为 YOLO_TILE_SIZE / YOLO_TILE_OVERLAP），
  默认 160 / 32；设 0 退回整图推理，仅用于和旧模型对比。

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

engine/detection.py

@@ -102,6 +102,53 @@ def match_boxes(
     )
 
 
+def containment(inner: Box, outer: Box) -> float:
+    """inner 有多大比例落在 outer 里（0~1）。面积悬殊时 IoU 会很小，但这个值接近 1。"""
+    left, top = max(inner.x1, outer.x1), max(inner.y1, outer.y1)
+    right, bottom = min(inner.x2, outer.x2), min(inner.y2, outer.y2)
+    if right <= left or bottom <= top:
+        return 0.0
+    area = max(inner.x2 - inner.x1, 0) * max(inner.y2 - inner.y1, 0)
+    return (right - left) * (bottom - top) / area if area > 0 else 0.0
+
+
+def nms(
+    boxes: Sequence[Box],
+    iou_threshold: float = 0.5,
+    per_class: bool = True,
+    contained_threshold: float = 0.0,
+) -> list[int]:
+    """非极大值抑制，返回保留下来的下标（按输入顺序）。
+
+    用于把切片推理的结果拼回整图：相邻片在重叠区会把同一处缺陷各检出一次，
+    合并后必须去重。注意这与"禁止框重叠"是两回事——这里只压掉重复，
+    真正分开的两个缺陷即使轻微相邻也都保留。
+
+    Args:
+        per_class: 只在同类之间抑制。不同类别的框重叠往往是有意义的分歧，不该互相压制。
+        contained_threshold: 额外按**包含比例**抑制，0 = 关闭。切片时缺陷被切割线切开，
+            相邻片只看到一角，会给出一个小残框；它与完整框的 IoU 很小（面积悬殊），
+            光靠 IoU 压不掉，但它几乎完全落在完整框里。
+    """
+    order = sorted(range(len(boxes)), key=lambda i: -(boxes[i].score or 0.0))
+    kept: list[int] = []
+    for index in order:
+        box = boxes[index]
+        duplicate = False
+        for other in kept:
+            if per_class and boxes[other].class_id != box.class_id:
+                continue
+            if iou(box, boxes[other]) > iou_threshold:
+                duplicate = True
+                break
+            if contained_threshold and containment(box, boxes[other]) >= contained_threshold:
+                duplicate = True
+                break
+        if not duplicate:
+            kept.append(index)
+    return sorted(kept)
+
+
 def draw_boxes(image, ground_truth: Sequence[Box], predictions: Sequence[Box],
                classes: Sequence[str], match: Match, width: int = 2):
     """把真值与预测画在图上（就地修改传入的 PIL 图像并返回）。