feat(localization): SHAP Partition 定位方法，并把每图框数上限默认收紧为 1

新增基于 SHAP Partition explainer 的定位，与 Grad-CAM 形成互补对照：

- engine/shap_explain.py：对目标类别求 SHAP 归因（只保留正贡献），以及方框平滑。
  遮挡用数值 masker 而非教程里的 inpaint_telea——后者依赖 opencv，而我们的图已做过
  逐图标准化，用 0（即该图均值）遮挡语义更干净
- scripts/shap_boxes.py：按类别抽样生成标签，并输出「原图 | Grad-CAM | SHAP」并排图
- shap 放入可选依赖组：uv sync --group explain

实测（225 张，每类 15）：SHAP 在小目标类别上明显更准，框面积占比
blackdot 0.019 vs 0.269（14 倍）、mosquito 0.030 vs 0.173、whitedot 0.076 vs 0.253。
原因是 Grad-CAM 受限于 8x8 特征图（每格 16x16 像素），几像素的黑点根本不可分辨。
代价是单张 0.55 秒，全量 11k 张约 1.7 小时，而 Grad-CAM 全量只要 2 分钟。

调参时发现的坑：SHAP 第一版全部出 0 框，因为沿用了给 8x8 调的
min_area_ratio=0.02（在 128x128 上等于 328 像素）。参数不能跨分辨率照搬，
SHAP 默认改为 0.002。

--max-boxes 两个脚本都默认改为 1（原为 2）：一张裁片通常只对应一处缺陷。
库函数 cam_to_boxes 的默认值同步收紧，相关测试改为显式传参而不依赖默认值。

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

tests/test_gradcam.py

@@ -61,15 +61,27 @@ def test_peak_ratio_drops_weak_secondary_blobs():
     cam[1:3, 1:3] = 1.0      # 主区域
     cam[5:7, 5:7] = 0.45     # 弱响应区
 
-    assert len(cam_to_boxes(cam, threshold=0.4, min_area_ratio=0.0, peak_ratio=0.0)) == 2
-    assert len(cam_to_boxes(cam, threshold=0.4, min_area_ratio=0.0, peak_ratio=0.75)) == 1
+    kwargs = {"threshold": 0.4, "min_area_ratio": 0.0, "max_boxes": 5}  # 显式放开数量上限
+    assert len(cam_to_boxes(cam, peak_ratio=0.0, **kwargs)) == 2
+    assert len(cam_to_boxes(cam, peak_ratio=0.75, **kwargs)) == 1
+
+
+def test_max_boxes_defaults_to_one():
+    """默认只留最强的一个框——一张裁片通常只对应一处缺陷。"""
+    cam = np.zeros((12, 12), dtype=np.float32)
+    cam[1:4, 1:4] = 1.0
+    cam[7:10, 7:10] = 0.95        # 峰值够高，不会被 peak_ratio 滤掉
+
+    assert len(cam_to_boxes(cam, threshold=0.4, min_area_ratio=0.0)) == 1
+    assert len(cam_to_boxes(cam, threshold=0.4, min_area_ratio=0.0, max_boxes=2)) == 2
 
 
 def test_min_area_and_max_boxes_limits():
     cam = np.zeros((10, 10), dtype=np.float32)
     cam[0:1, 0:1] = 1.0      # 1 格，面积很小
     cam[4:8, 4:8] = 1.0
-    assert len(cam_to_boxes(cam, threshold=0.5, min_area_ratio=0.05, peak_ratio=0.5)) == 1
+    assert len(cam_to_boxes(cam, threshold=0.5, min_area_ratio=0.05, peak_ratio=0.5,
+                            max_boxes=5)) == 1
 
     many = np.zeros((12, 12), dtype=np.float32)
     for offset in (0, 4, 8):