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>

scripts/visualize_detections.py

@@ -25,6 +25,9 @@ train / val 不分目录，但 `index.csv` 里有 `split` 列——训练集的
 同样地，"命中 / 漏检 / 误检"记在 `index.csv` 的 `outcome` 列里，按它排序筛选即可。
 
 `--only errors` 只输出有漏检或误检的图，扫起来快得多。
+
+模型的输入固定为 `--tile-size`（默认 160，与训练一致）时，图会按同样规则切片推理再拼回，
+全程不缩放。`--tile-size 0` 退回整图推理（ultralytics 自己 letterbox），用于和旧模型对比。
 """
 
 from __future__ import annotations
@@ -43,6 +46,7 @@ import yaml  # noqa: E402
 
 from datasets.yolo import IMAGE_SUFFIXES  # noqa: E402
 from engine.detection import Box, draw_boxes, match_boxes, parse_label  # noqa: E402
+from engine.tiled_inference import load_image, predict_image  # noqa: E402
 from utils import setup_logging  # noqa: E402
 from utils.device import DeviceNotAvailableError, describe_device, resolve_device  # noqa: E402
 
@@ -124,6 +128,11 @@ def main() -> int:
     parser.add_argument("--conf", type=float, default=0.25, help="置信度阈值")
     parser.add_argument("--iou-threshold", type=float, default=0.5, help="判定命中的 IoU")
     parser.add_argument("--batch", type=int, default=16)
+    parser.add_argument(
+        "--tile-size", type=int, default=160,
+        help="模型输入边长；按它切片推理再拼回，全程不缩放。0=整图推理（会 letterbox）",
+    )
+    parser.add_argument("--tile-overlap", type=int, default=32, help="切片重叠像素")
     parser.add_argument(
         "--only", choices=("all", "errors"), default="all",
         help="errors=只输出有漏检或误检的图，统计仍按全量计",
@@ -150,7 +159,16 @@ def main() -> int:
         "数据集: %s（%d 类，%s）", args.data, len(classes),
         "，".join(f"{name} {len(images)} 张" for name, images in splits.items()),
     )
-    logger.info("conf=%.2f  IoU=%.2f  imgsz=%d", args.conf, args.iou_threshold, args.imgsz)
+    if args.tile_size > 0:
+        logger.info(
+            "conf=%.2f  命中 IoU=%.2f  切片 %dx%d 重叠 %d（不缩放）",
+            args.conf, args.iou_threshold, args.tile_size, args.tile_size, args.tile_overlap,
+        )
+    else:
+        logger.warning(
+            "conf=%.2f  命中 IoU=%.2f  整图推理 imgsz=%d —— ultralytics 会 letterbox 缩放",
+            args.conf, args.iou_threshold, args.imgsz,
+        )
 
     if out_dir.exists() and any(out_dir.iterdir()):
         if not args.overwrite:
@@ -172,26 +190,13 @@ def main() -> int:
     rows = []
     processed = 0
 
-    def predict_in_batches(images):
-        """自己按批切分：ultralytics 的 predict 不理会 batch 参数，
-        一次性把整个列表当成一个 batch，上万张图必然 OOM。"""
-        for start in range(0, len(images), args.batch):
-            chunk = images[start:start + args.batch]
-            results = model.predict(
-                source=[str(p) for p in chunk], imgsz=args.imgsz, conf=args.conf,
-                device=device_arg, verbose=False,
-            )
-            yield from zip(chunk, results, strict=True)
-
     for split, images in splits.items():
-        for image_path, result in predict_in_batches(images):
-            predictions = [
-                Box(int(cls), *(float(v) for v in xyxy), float(score))
-                for xyxy, cls, score in zip(
-                    result.boxes.xyxyn.tolist(), result.boxes.cls.tolist(),
-                    result.boxes.conf.tolist(), strict=True,
-                )
-            ]
+        for image_path in images:
+            predictions = predict_image(
+                model, load_image(image_path), size=args.tile_size, overlap=args.tile_overlap,
+                conf=args.conf, device=device_arg, batch=args.batch,
+                whole_image_imgsz=args.imgsz,
+            )
             label_file = label_path_for(image_path)
             truth = parse_label(label_file.read_text(encoding="utf-8")) if label_file.exists() else []
             match = match_boxes(predictions, truth, args.iou_threshold)