feat(ml-backend): 把训练好的 YOLO 接进 Label Studio 做预标注

ml_backend/ 是一个 label-studio-ml 后端：Label Studio 打开任务时调 /predict，
后端跑 YOLO 并把框转成 Label Studio 的百分比坐标返回，人工只需修正。

- model.py：FilmDefectDetector。权重懒加载且只加载一次（Flask 多线程，加锁）；
  控件名从项目的 labeling config 读取，不写死；model_version 带权重的修改时间，
  换权重后 Label Studio 能区分新旧预测。
- convert.py：坐标转换，刻意不 import label_studio_ml，好在主环境里单测。
- fit()：每条标注累加计数，达到 RETRAIN_AFTER 就起子进程执行 RETRAIN_COMMAND
  并立刻返回——训练几十分钟，同步做会卡住 Label Studio。
- _wsgi.py 由官方模板生成，ruff 跳过，便于跟随上游。

必须用独立虚拟环境：label-studio-ml 会把 jinja2 降到 3.0.3，而 label-studio 1.23
需要 3.1，装进主环境会直接弄坏 Label Studio。PyPI 上的 1.0.9 是 2023 年的旧版，
要装 GitHub 上的现行版本。

本地用 COCO 权重端到端验证过：/health、/predict（bus.jpg 出 10 个框、坐标换算正确）、
/webhook（第 3 条标注触发重训命令并清零计数）。

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

tests/test_ml_backend_convert.py

@@ -0,0 +1,71 @@
+"""YOLO 结果 -> Label Studio 预测格式。
+
+只测转换模块：ML backend 本体跑在独立虚拟环境里（label_studio_ml 与主环境的 jinja2
+版本冲突），主环境 import 不了 model.py。
+"""
+
+import sys
+
+import pytest
+
+sys.path.insert(0, "ml_backend")
+from convert import box_to_result, to_prediction  # noqa: E402
+
+FROM_NAME, TO_NAME = "label", "image"
+
+
+def test_box_converts_to_percent_coordinates():
+    """Label Studio 用左上角+宽高的百分比，YOLO 给的是归一化 xyxy。"""
+    item = box_to_result("blackdot", [0.2, 0.3, 0.6, 0.5], 200, 100, FROM_NAME, TO_NAME, 0.9)
+
+    assert item["value"]["x"] == pytest.approx(20.0)
+    assert item["value"]["y"] == pytest.approx(30.0)
+    assert item["value"]["width"] == pytest.approx(40.0)
+    assert item["value"]["height"] == pytest.approx(20.0)
+    assert item["value"]["rectanglelabels"] == ["blackdot"]
+    assert item["type"] == "rectanglelabels"
+    assert item["from_name"] == FROM_NAME and item["to_name"] == TO_NAME
+
+
+def test_original_size_is_the_real_pixel_size():
+    """Label Studio 按 original_width/height 把百分比换算回像素，填错框就会偏。"""
+    item = box_to_result("grease", [0, 0, 1, 1], 810, 1080, FROM_NAME, TO_NAME)
+    assert (item["original_width"], item["original_height"]) == (810, 1080)
+
+
+def test_ids_are_unique():
+    boxes = [box_to_result("a", [0, 0, 0.1, 0.1], 10, 10, FROM_NAME, TO_NAME) for _ in range(20)]
+    assert len({item["id"] for item in boxes}) == 20
+
+
+def test_out_of_range_coordinates_are_clamped():
+    """推理偶尔会给出略微越界的坐标；越界的框 Label Studio 画不出来。"""
+    item = box_to_result("x", [-0.01, 0.0, 1.02, 1.0], 100, 100, FROM_NAME, TO_NAME)
+    value = item["value"]
+    assert value["x"] == 0.0
+    assert value["x"] + value["width"] == pytest.approx(100.0)
+
+
+def test_prediction_score_is_the_highest_confidence():
+    """Label Studio 用 score 给任务排序，取最大值才能把最有把握的排在前面。"""
+    prediction = to_prediction(
+        [("blackdot", [0.1, 0.1, 0.2, 0.2], 0.4), ("grease", [0.5, 0.5, 0.7, 0.7], 0.85)],
+        128, 128, FROM_NAME, TO_NAME, "v1",
+    )
+    assert prediction["score"] == pytest.approx(0.85)
+    assert prediction["model_version"] == "v1"
+    assert len(prediction["result"]) == 2
+
+
+def test_empty_prediction_is_wellformed():
+    """没检出缺陷也要返回一条预测：空 result 表示"这张图没问题"。"""
+    prediction = to_prediction([], 128, 128, FROM_NAME, TO_NAME, "v1")
+    assert prediction["result"] == []
+    assert prediction["score"] == 0.0
+
+
+def test_score_is_kept_per_box():
+    prediction = to_prediction(
+        [("blackdot", [0.1, 0.1, 0.2, 0.2], 0.42)], 64, 64, FROM_NAME, TO_NAME, "v1"
+    )
+    assert prediction["result"][0]["score"] == pytest.approx(0.42)