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>

tests/test_config.py

@@ -139,7 +139,13 @@ def test_every_shipped_config_builds_its_components(config_path):
 
     # 分类配置
     model_cfg = cfg.get("model")
-    if model_cfg:
+    if model_cfg and "weights" in model_cfg:
+        # 检测配置：model 是 ultralytics 的权重名（yolov8s.pt），不走本仓库的注册表。
+        # 只校验它是纯卷积的那一档——CLAUDE.md 限定只用 convolution 模型，
+        # YOLO11 的 C2PSA 与 YOLO12 都带注意力。
+        assert "yolo11" not in model_cfg["weights"]
+        assert "yolo12" not in model_cfg["weights"]
+    elif model_cfg:
         import torch
 
         from models import build_model