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>

models/heads/__init__.py

@@ -1,4 +1,4 @@
-from models.heads.center_head import CenterHead
 from models.heads.classification import ClassificationHead
+from models.heads.projection import ProjectionHead
 
-__all__ = ["CenterHead", "ClassificationHead"]
+__all__ = ["ClassificationHead", "ProjectionHead"]

models/heads/center_head.py

@@ -1,51 +0,0 @@
-"""Anchor-free 中心点定位头（CenterNet 风格，纯卷积）。
-
-输出:
-    heatmap: (B, num_classes, H, W)  各类别缺陷中心的置信度（logits）
-    wh:      (B, 2, H, W)            中心点处的框宽高（特征图尺度）
-    offset:  (B, 2, H, W)            下采样量化误差补偿
-"""
-
-from __future__ import annotations
-
-import math
-
-import torch
-from torch import nn
-
-from models.layers import ConvBNAct
-from models.registry import HEADS
-
-
-def _branch(in_channels: int, hidden: int, out_channels: int) -> nn.Sequential:
-    return nn.Sequential(
-        ConvBNAct(in_channels, hidden, kernel_size=3),
-        nn.Conv2d(hidden, out_channels, kernel_size=1),
-    )
-
-
-@HEADS.register("center")
-class CenterHead(nn.Module):
-    def __init__(
-        self,
-        in_channels: int,
-        num_classes: int,
-        hidden_channels: int = 64,
-        prior_prob: float = 0.01,
-    ) -> None:
-        super().__init__()
-        self.num_classes = num_classes
-        self.heatmap = _branch(in_channels, hidden_channels, num_classes)
-        self.wh = _branch(in_channels, hidden_channels, 2)
-        self.offset = _branch(in_channels, hidden_channels, 2)
-
-        # heatmap 正样本极稀疏，用先验概率初始化最后一层 bias，稳定早期训练。
-        bias = -math.log((1 - prior_prob) / prior_prob)
-        nn.init.constant_(self.heatmap[-1].bias, bias)
-
-    def forward(self, feat: torch.Tensor) -> dict[str, torch.Tensor]:
-        return {
-            "heatmap": self.heatmap(feat),
-            "wh": self.wh(feat),
-            "offset": self.offset(feat),
-        }