refactor: 按实际的五步工作流裁掉无关代码

实际工作流是：simclr 训练 -> 聚类 -> 人工归类 -> 分类训练 -> GradCAM/SHAP 生成
热力图与 box。据此移除不参与其中的检测/定位链路，共 31 个文件、约 2600 行：

- 模型：defect_net、postprocess、necks/、heads/center_head
- 数据：film_defect（YOLO 读取端）、target_encoder
- 引擎：trainer、evaluator、losses
- 入口：train.py、eval.py
- 脚本：convert_annotations、split_dataset、export_onnx、profile_inference
- 配置：configs/{train,eval,model,dataset}
- utils/labels（多类/单类标签模式，仅检测分类头使用）

共享模块按实际用量瘦身：engine/metrics 只留 AverageMeter（检测指标随之移除）；
datasets/yolo 只留写出侧（IMAGE_SUFFIXES 与 write_data_yaml）——第 5 步产出的
YOLO 标签是给外部检测训练用的交换格式，读取端不再需要。

裁剪过程中修掉一个真 bug：generate_boxes 的 --stage 默认 6（layer3）对 tiny_conv
这类非 nn.Sequential 骨架直接抛异常。现在自动退回骨架最终输出并警告，
另加 --stage -1 显式选择最终输出。

五步工作流已端到端实跑验证（simclr 1 轮 -> 聚类 -> 导出 -> 分类 1 轮 ->
gradcam 与 shap 两种方法各生成一遍）。

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

datasets/__init__.py

@@ -1,28 +1,20 @@
-"""数据集：抛出样本的 Dataset 类与相应的数据变换、标签编码。"""
+"""数据集：无标注（自监督/聚类用）与按目录组织的分类数据集。"""
 
-from datasets.build import build_dataloader, build_dataset
+from datasets.build import build_dataset
 from datasets.classification import FolderClassificationDataset, classification_collate
-from datasets.film_defect import FilmDefectDataset, collate_fn
 from datasets.registry import DATASETS
-from datasets.target_encoder import CenterTargetEncoder
 from datasets.transforms import build_transforms
 from datasets.unlabeled import UnlabeledImageDataset, unlabeled_collate
-from datasets.yolo import format_label_lines, load_classes, parse_label_file, write_data_yaml
+from datasets.yolo import IMAGE_SUFFIXES, write_data_yaml
 
 __all__ = [
     "build_dataset",
     "FolderClassificationDataset",
     "classification_collate",
-    "build_dataloader",
-    "FilmDefectDataset",
-    "collate_fn",
-    "DATASETS",
     "UnlabeledImageDataset",
     "unlabeled_collate",
-    "CenterTargetEncoder",
     "build_transforms",
-    "parse_label_file",
-    "format_label_lines",
-    "load_classes",
+    "DATASETS",
+    "IMAGE_SUFFIXES",
     "write_data_yaml",
 ]