feat(detect): 训练期的验证也约束预测框互不重叠

ultralytics 没有可用的开关：yolo26 是端到端模型，non_max_suppression 对它早退
（utils/nms.py 里 end2end 分支），只按置信度与 max_det 截断，传入的 iou 和 agnostic
都不参与 IoU 抑制；agnostic_nms 只作用于检测头 top-k（每个 anchor 取一个类别），
压不掉不同 anchor 产生的重叠框。

所以给 DetectionValidator.postprocess 包一层 filter_overlapping_outputs。训练期验证、
早停、best.pt 的选择都随之遵守这条约束，指标与最终推理一致。配置项 train.max_overlap
（默认 0，负数关闭），由 detect.py 摘出后自行实现，不传给 ultralytics。

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

engine/detection.py

@@ -140,6 +140,46 @@ def _inside(inner: Box, outer: Box) -> bool:
     )
 
 
+def filter_overlapping_outputs(
+    outputs: list[dict], max_iou: float = 0.0, contained: bool = True
+) -> list[dict]:
+    """给 ultralytics 验证器 postprocess 的输出补上"框不重叠"约束。
+
+    每个元素是一张图的结果：`bboxes`（xyxy）、`conf`、`cls` 等张量。坐标是不是归一化的
+    无所谓，IoU 与尺度无关。
+
+    为什么要在这里补：yolo26 这类**端到端模型不走 IoU 抑制**。ultralytics 的
+    `non_max_suppression` 对它们早退（`utils/nms.py` 里 `prediction.shape[-1] == 6 or end2end`
+    的分支），只按置信度与 `max_det` 截断，传入的 `iou` 和 `agnostic` 都不生效；
+    `agnostic_nms` 只作用于检测头的 top-k（每个 anchor 取一个类别），压不掉不同 anchor
+    产生的重叠框。不补这一步，训练期的验证指标就和最终推理对不上。
+    """
+    filtered = []
+    for output in outputs:
+        boxes = [
+            Box(int(class_id), *(float(v) for v in xyxy), float(score))
+            for xyxy, score, class_id in zip(
+                output["bboxes"].tolist(), output["conf"].tolist(), output["cls"].tolist(),
+                strict=True,
+            )
+        ]
+        kept = suppress_overlaps(boxes, max_iou=max_iou, contained=contained)
+        if len(kept) == len(boxes):
+            filtered.append(output)
+            continue
+        # 张量用列表下标筛选；空结果不能用 [] 索引，改用零长切片
+        filtered.append({
+            key: (value[kept] if kept else value[:0]) if _is_per_box(value, len(boxes)) else value
+            for key, value in output.items()
+        })
+    return filtered
+
+
+def _is_per_box(value, count: int) -> bool:
+    """这个张量是不是"每个框一行"——只有这种才跟着筛选。"""
+    return hasattr(value, "shape") and len(getattr(value, "shape", ())) >= 1 and len(value) == count
+
+
 def draw_boxes(image, ground_truth: Sequence[Box], predictions: Sequence[Box],
                classes: Sequence[str], match: Match, width: int = 2):
     """把真值与预测画在图上（就地修改传入的 PIL 图像并返回）。