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/tiling.py

@@ -132,6 +132,65 @@ def remap_boxes(
     return kept
 
 
+def merge_tiles(
+    per_tile: Sequence[Sequence[Box]],
+    tiles: Sequence[Tile],
+    size: int,
+    width: int,
+    height: int,
+    iou_threshold: float = 0.5,
+    contained_threshold: float = 0.8,
+) -> list[Box]:
+    """把每片各自的框拼回整图，返回相对原图归一化的框。
+
+    三步：映射回原图像素 → 裁掉落在镜像填充区里的部分（那里是复制品，不是真实区域）
+    → 跨片去重。
+
+    去重同时看 IoU 与包含比例：缺陷被切割线切开时，相邻片只看到一角，给出的小残框
+    与完整框的 IoU 很小（面积悬殊），但几乎整个落在完整框里。只看 IoU 会把残框留下来。
+
+    残框与完整框互不包含的情况（缺陷正好被切成两半、两片各见一半）只能靠 `overlap`
+    避免——重叠大于缺陷尺寸时，总有一片能完整看到它。
+    """
+    from engine.detection import nms
+
+    collected = []
+    for tile, boxes in zip(tiles, per_tile, strict=True):
+        for box in boxes:
+            mapped = to_source(box, tile, size)
+            x1, y1 = max(mapped.x1, 0.0), max(mapped.y1, 0.0)
+            x2, y2 = min(mapped.x2, float(width)), min(mapped.y2, float(height))
+            if x2 <= x1 or y2 <= y1:
+                continue
+            collected.append(
+                Box(box.class_id, x1 / width, y1 / height, x2 / width, y2 / height, box.score)
+            )
+    return [
+        collected[i]
+        for i in nms(collected, iou_threshold, contained_threshold=contained_threshold)
+    ]
+
+
+def tiled_predict(
+    predict_batch,
+    image: np.ndarray,
+    size: int,
+    overlap: int = 0,
+    iou_threshold: float = 0.5,
+) -> list[Box]:
+    """按固定边长切片推理再拼回，返回整图上的归一化框。
+
+    Args:
+        predict_batch: 接收一批 `size × size` 的图、返回每张图的归一化框列表。
+            推理框架留在调用方，这里只管几何，便于单测。
+        image: HxW 或 HxWxC 的原图。
+    """
+    height, width = image.shape[:2]
+    tiles = plan_tiles(width, height, size, overlap)
+    patches = [cut(image, tile, size) for tile in tiles]
+    return merge_tiles(predict_batch(patches), tiles, size, width, height, iou_threshold)
+
+
 def to_source(box: Box, tile: Tile, size: int) -> Box:
     """反向：把片上的归一化框映射回原图的**像素** xyxy。