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/tiled_inference.py

@@ -0,0 +1,85 @@
+"""用 ultralytics 做切片推理的公共封装。
+
+三个调用方（可视化、批量推送预测、ML backend）都要"切片 -> 逐片推理 -> 拼回原图"，
+逻辑一致，放在一处免得各写一份走样。
+
+几何在 `engine.tiling` 里，与推理框架无关且单独可测；这里只负责把 ultralytics 接上去。
+"""
+
+from __future__ import annotations
+
+from collections.abc import Sequence
+
+import numpy as np
+
+from engine.detection import Box
+from engine.tiling import tiled_predict
+
+
+def predict_image(
+    model,
+    image: np.ndarray,
+    size: int,
+    overlap: int = 0,
+    conf: float = 0.25,
+    device: str | int = "cpu",
+    batch: int = 16,
+    iou_threshold: float = 0.5,
+    whole_image_imgsz: int | None = None,
+) -> list[Box]:
+    """对一张任意尺寸的图做切片推理，返回整图上的归一化框。
+
+    `size <= 0` 时退化为整图推理，交给 ultralytics 按 `whole_image_imgsz` 做 letterbox
+    ——那会缩放，只用于和旧模型对比。
+    """
+    if size <= 0:
+        return _predict_batch(
+            model, [image], whole_image_imgsz, conf=conf, device=device, batch=batch
+        )[0]
+
+    def run(patches: Sequence[np.ndarray]) -> list[list[Box]]:
+        return _predict_batch(model, patches, size, conf, device, batch)
+
+    return tiled_predict(run, image, size, overlap, iou_threshold)
+
+
+def _predict_batch(
+    model,
+    images: Sequence[np.ndarray],
+    size: int | None,
+    conf: float,
+    device: str | int,
+    batch: int,
+) -> list[list[Box]]:
+    """分批送进 ultralytics，返回每张图的归一化框。
+
+    必须自己分批：ultralytics 不理会 batch 参数，会把整个列表当成一个 batch，
+    片数一多就会撑爆显存。
+    """
+    results = []
+    for start in range(0, len(images), batch):
+        chunk = list(images[start:start + batch])
+        kwargs = {"conf": conf, "device": device, "verbose": False}
+        if size:
+            kwargs["imgsz"] = size
+        results.extend(model.predict(source=chunk, **kwargs))
+
+    out = []
+    for result in results:
+        out.append([
+            Box(int(class_id), *(float(v) for v in xyxyn), float(score))
+            for xyxyn, class_id, score in zip(
+                result.boxes.xyxyn.tolist(), result.boxes.cls.tolist(),
+                result.boxes.conf.tolist(), strict=True,
+            )
+        ])
+    return out
+
+
+def load_image(path) -> np.ndarray:
+    """读图为 numpy 数组，保持原始通道数（灰度图不强行转 RGB，免得多占三倍内存）。"""
+    from PIL import Image
+
+    with Image.open(path) as handle:
+        image = handle.convert("L") if handle.mode in ("L", "1", "I;16") else handle.convert("RGB")
+        return np.asarray(image)