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>

scripts/generate_boxes.py

@@ -154,8 +154,9 @@ def parse_args() -> argparse.Namespace:
 
     parser.add_argument(
         "--stage", type=int, default=6,
-        help="gradcam 的目标层（4~7 = layer1~4）。默认 6 即 layer3（8×8）；"
-             "layer4 只有 4×4 太粗，layer2 响应太散",
+        help="gradcam 的目标层（torchvision 骨架：4~7 = layer1~4）。默认 6 即 layer3（8×8）；"
+             "layer4 只有 4×4 太粗，layer2 响应太散。-1 表示用骨架最终输出——"
+             "tiny_conv 这类不是 nn.Sequential 的骨架只能这样取",
     )
     parser.add_argument("--max-evals", type=int, default=500, help="shap 每张图的前向次数")
     parser.add_argument("--smooth-radius", type=int, default=2, help="shap 归因图平滑半径，0=不平滑")
@@ -211,6 +212,19 @@ def main() -> int:
     for param in model.parameters():       # 归因需要梯度，但不更新权重
         param.requires_grad_(True)
 
+    stage = args.stage if args.stage >= 0 else None
+    if stage is not None and not isinstance(
+        getattr(model.backbone, "features", None), torch.nn.Sequential
+    ):
+        # tiny_conv 这类骨架没有 nn.Sequential 的 features，取不了中间层；
+        # 退回最终输出而不是直接崩掉
+        logger.warning(
+            "骨架 %s 不是 nn.Sequential，无法按 stage 取中间层，改用最终输出"
+            "（分辨率更低，如需更精细请换 torchvision 骨架）",
+            type(model.backbone).__name__,
+        )
+        stage = None
+
     min_area_ratio = (
         args.min_area_ratio if args.min_area_ratio is not None
         else DEFAULT_MIN_AREA_RATIO[args.method]
@@ -253,7 +267,7 @@ def main() -> int:
                 predicted = model(images).argmax(1)
             targets = predicted if args.target == "predicted" else labels
             agree += int((predicted == labels).sum())
-            heats = grad_cam(model.backbone, model.head, images, targets, stage=args.stage)
+            heats = grad_cam(model.backbone, model.head, images, targets, stage=stage)
             heat_shape = tuple(heats.shape[-2:])
 
             for heat, target, meta in zip(
@@ -310,7 +324,7 @@ def main() -> int:
         "heatmap_shape": list(heat_shape) if heat_shape else None,
         "seconds_per_image": (time.time() - started) / max(total, 1),
         "box_params": box_kwargs,
-        "stage": args.stage if args.method == "gradcam" else None,
+        "stage": stage if args.method == "gradcam" else None,
         "max_evals": args.max_evals if args.method == "shap" else None,
         "prediction_matches_folder_label": agree / total if total else 0.0,
         "boxes_per_image": {str(k): v for k, v in sorted(box_counts.items())},