feat(detect): 把弱监督框数据集链接到 data/ 并接上 YOLO 训练

第五步产出的框标签按类别分目录，便于人工核对；检测训练要的是 train/val
划分——类别写在标签第一列，不靠目录名。补上两个入口：

- scripts/prepare_yolo_dataset.py：拍平类别目录、按类别分层切分、硬链接到
  data/。分层是必需的，black 只有 53 张，随机切容易让小类在验证集里挂零。
  无框的图默认保留（检测训练里是压低误检的负样本）；拍平后的同名冲突直接
  报错而不是静默覆盖。
- detect.py + configs/detect/film.yaml：包一层 ultralytics，沿用本仓库的
  配置继承、设备解析与 SwanLab 可视化。

选 YOLOv8 而不是 v11/v12：CLAUDE.md 限定只用 convolution 模型，YOLO11 骨架
里有 C2PSA、YOLO12 以注意力为主，只有 v8 的 C2f + SPPF 是纯卷积。
mosaic/mixup 关掉——每张图只有一个弱监督框，拼接后小目标被缩得更小，对
blackdot/whitedot 这类只占千分之几面积的类别是净伤害。

ultralytics 的 project 必须传绝对路径，相对路径会被它再拼到全局 settings
的 runs_dir 上，产出会跑到 runs/detect/runs/detect/<name> 去。

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

pyproject.toml

@@ -15,6 +15,11 @@ dependencies = [
     "pyyaml>=6.0",
     "swanlab[dashboard]>=0.10.0",
     "matplotlib>=3.8",
+    # 检测训练（detect.py）。注意 ultralytics 是 AGPL-3.0：如果模型要随产品分发，
+    # 需要开源整套代码或另外向其购买商业授权。仅内部使用则不受影响。
+    "ultralytics>=8.4",
+    # SHAP 定位（scripts/generate_boxes.py --method shap）用
+    "shap>=0.46",
 ]
 
 [dependency-groups]