refactor(detect): 数据集改为扁平结构、不划分 train/val，Label Studio 文件放到根目录

prepare_yolo_dataset.py 的产出先导入 Label Studio 复核，划分留到复核之后，于是：

- 去掉按类别分层的 train/val 切分以及 --val-ratio / --seed，images/ 与 labels/
  下直接是文件；name_map.csv 去掉 split 列，summary.json 的逐类数量改为单列。
- label_studio/ 子目录的内容上移一层：扁平的数据集本身就是 label-studio-converter
  要求的 <input>/{images,labels,classes.txt}，tasks.json 与 labeling config 直接
  生成在根目录，不再需要额外的硬链接视图，DOCUMENT_ROOT 即数据集根目录。
- data.yaml 的 train 与 val 只能指向同一个 images/。ultralytics 能读，但验证指标
  算的是训练集本身，mAP 虚高、早停与 best.pt 的选择失真。脚本结束时告警，
  detect.py 检测到 train == val 时也告警。

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

detect.py

@@ -69,6 +69,13 @@ def main() -> int:
         return 1
     meta = yaml.safe_load(data_yaml.read_text(encoding="utf-8"))
     logger.info("数据集: %s（%d 类）", data_yaml, meta["nc"])
+    if meta.get("train") == meta.get("val"):
+        # prepare_yolo_dataset.py / generate_boxes.py 的产出都不划分，两者指向同一目录
+        logger.warning(
+            "data.yaml 的 train 与 val 相同（%s）：验证集就是训练集，mAP 会虚高，"
+            "早停与 best.pt 的选择也因此失真。正式训练前请先划分数据集",
+            meta.get("train"),
+        )
 
     train_cfg = dict(cfg.get("train", {}))
     swanlab_cfg = dict(train_cfg.pop("swanlab", {}))