chore: 数据迁到 data/raw/ 后同步所有路径引用

原始数据从 data/<数据集> 移到了 data/raw/<数据集>。

- 聚类配置的 dataset.root：film / pearlescent 均改为 data/raw/ 下
- 检测配置的 img_dir 与 label_dir 注释同步
- README、data/README、算法文档、流程图（含重新渲染的 PNG）与各脚本
  docstring 里的路径示例一并更新
- data/README 补充目录约定：原始数据只读放 data/raw/，
  export_clusters.py 的派生数据集放在 data/ 下与 raw/ 平级
- 顺手把 unlabeled 数据集加进 datasets/__init__.py：此前它没在包初始化时注册，
  build_dataset({"name": "unlabeled"}) 只有在别处先 import 过该模块时才可用

迁移后重跑全量聚类，结果与迁移前逐项一致（轮廓 0.3255、稳定性 0.9641、
簇大小 [4507, 3795, 4849, 1428]）。

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

README.md

@@ -56,7 +56,7 @@ uv run python train.py --config configs/train/baseline.yaml --device cpu
 每行 `class_id cx cy w h`（相对宽高归一化到 [0,1]），空文件或缺失 `.txt` 即无缺陷样本。
 
 ```
-data/film/
+data/raw/film/
 ├── images/{train,val}/0001.png
 ├── labels/{train,val}/0001.txt
 └── data.yaml            # path / train / val / nc / names
@@ -65,15 +65,15 @@ data/film/
 ```bash
 # 1. labelme / VOC -> YOLO txt（顺带生成 data.yaml）
 uv run python scripts/convert_annotations.py --format labelme \
-    --input data/film/labelme --images data/film/images \
-    --output data/film/labels --data-yaml data/film/data.yaml
+    --input data/raw/film/labelme --images data/raw/film/images \
+    --output data/raw/film/labels --data-yaml data/raw/film/data.yaml
 
 # 2. 切分 train / val（默认建软链，不复制数据）
-uv run python scripts/split_dataset.py --images data/film/images \
-    --labels data/film/labels --val-ratio 0.2 --data-yaml data/film/data.yaml
+uv run python scripts/split_dataset.py --images data/raw/film/images \
+    --labels data/raw/film/labels --val-ratio 0.2 --data-yaml data/raw/film/data.yaml
 ```
 
-配置里的 `classes` 既可以直接写类别列表，也可以写成 `data/film/data.yaml`，由框架读 `names`。
+配置里的 `classes` 既可以直接写类别列表，也可以写成 `data/raw/film/data.yaml`，由框架读 `names`。
 读取时也接受 YOLO 分割格式的多边形行（取外接矩形）。细节见 [data/README.md](data/README.md)
 与 [datasets/yolo.py](datasets/yolo.py)。
 
@@ -187,7 +187,7 @@ uv run python scripts/profile_inference.py --config configs/train/baseline.yaml
 
 ### 调用 ImageNet 预训练模型
 
-`data/film` 里大量样本还没人工分完。这条流水线把目录下**所有图片拉平**（不看任何
+`data/raw/film` 里大量样本还没人工分完。这条流水线把目录下**所有图片拉平**（不看任何
 目录名），做无监督聚类，产出可人工核对的分组：
 
 ```bash
@@ -443,7 +443,7 @@ resnet50 每 epoch 的耗时与 batch 基本无关（算力受限），所以显
 只是 NT-Xent 的负样本变少。
 
 注意默认的 `method: pretrained` 用的**也是 resnet18**（ImageNet 权重，不训练，约 51 秒出结果）；
-上面这个配置是在 `data/film` 上自监督训练它。两者实测对比（14,579 张，k=4）：
+上面这个配置是在 `data/raw/film` 上自监督训练它。两者实测对比（14,579 张，k=4）：
 
 | 方案 | 轮廓 | 稳定性 | 成本 |
 | --- | --- | --- | --- |