feat: 训练与评估入口及 yaml 配置

- train.py: 先过 require_cuda() 守卫再建模型/数据，支持 --resume 与 --set 覆盖
- eval.py: 允许 CPU，输出定位与分类指标并可写 json
- configs: model/dataset/train/eval 四类，通过 `_base_` 组合；
  classes 既可直接写列表，也可指向 YOLO data.yaml 由框架读 names

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

configs/dataset/film_defect.yaml

@@ -0,0 +1,51 @@
+# 薄膜缺陷数据集（YOLO 风格标注：labels/*.txt，每行 `class_id cx cy w h`，归一化坐标）。
+# 类别顺序即标注里的 class_id，改动顺序等于改变标签含义，必须重新训练。
+# 也可以写成 data.yaml 的路径，从其中的 names 读类别：classes: data/film/data.yaml
+classes: [scratch, bubble, particle, crease, stain]
+
+# 图像级标签形式；模型的分类头、分类损失、分类指标都跟随它。
+#   multilabel（多类）：一张图可同时含多种缺陷，多热标签 + BCE，全 0 表示 OK 片；
+#   multiclass（单类）：一张图只归一个类别，互斥 softmax + CE，
+#                       分类头多一维表示"无缺陷"（下标 = len(classes)），
+#                       一图出现多种缺陷时取框数最多的类别。
+# 无论取哪种，定位分支始终按 classes 逐类输出 heatmap。
+label_mode: multilabel
+
+image_size: [512, 512]
+gray: false
+
+data:
+  train:
+    dataset:
+      name: film_defect
+      img_dir: data/film/images/train
+      label_dir: null          # 缺省按 YOLO 约定取 data/film/labels/train
+      gray: false
+      max_objects: 64
+      transforms:
+        - {name: Resize, size: [512, 512]}
+        - {name: RandomHorizontalFlip, p: 0.5}
+        - {name: RandomVerticalFlip, p: 0.5}
+        - {name: ColorJitter, brightness: 0.2, contrast: 0.2}
+        - {name: ToTensor}
+        - {name: Normalize, mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225]}
+    loader:
+      batch_size: 16
+      shuffle: true
+      num_workers: 8
+      drop_last: true
+
+  val:
+    dataset:
+      name: film_defect
+      img_dir: data/film/images/val
+      label_dir: null
+      gray: false
+      transforms:
+        - {name: Resize, size: [512, 512]}
+        - {name: ToTensor}
+        - {name: Normalize, mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225]}
+    loader:
+      batch_size: 16
+      shuffle: false
+      num_workers: 4

configs/eval/baseline.yaml

@@ -0,0 +1,12 @@
+_base_:
+  - ../train/baseline.yaml
+
+# 评估允许在 CPU 上跑（部署前的精度回归），训练则必须用 GPU。
+device: cuda
+checkpoint: runs/baseline/best.pth
+
+eval:
+  split: val
+  score_threshold: 0.3
+  iou_threshold: 0.5
+  topk: 50

configs/model/resnet18.yaml

@@ -0,0 +1,15 @@
+# torchvision resnet18：stride 32 + 3 次上采样 => 输出 stride 4。
+model:
+  name: defect_net
+  backbone:
+    name: torchvision
+    arch: resnet18
+    pretrained: true
+    in_channels: 3
+  neck:
+    name: upsample
+    channels: 64
+    num_upsamples: 3
+  head:
+    hidden_channels: 64
+  with_classification: true

configs/model/tiny_conv.yaml

@@ -0,0 +1,18 @@
+# 自研轻量骨架：backbone stride 16 + 2 次上采样 => 输出 stride 4。
+model:
+  name: defect_net
+  backbone:
+    name: tiny_conv
+    in_channels: 3
+    widths: [32, 64, 128, 256]
+    depths: [1, 2, 2, 2]
+    block: dw          # dw=深度可分离(更快) / res=残差(更强)
+  neck:
+    name: upsample
+    channels: 64
+    num_upsamples: 2
+  head:
+    hidden_channels: 64
+  with_classification: true
+  classification:
+    dropout: 0.1

configs/train/baseline.yaml

@@ -0,0 +1,42 @@
+_base_:
+  - ../model/tiny_conv.yaml
+  - ../dataset/film_defect.yaml
+
+work_dir: runs/baseline
+seed: 42
+deterministic: false
+device: cuda            # 训练只允许 Nvidia GPU，见 utils/device.py
+
+train:
+  epochs: 100
+  amp: true
+  clip_grad: 5.0
+  log_interval: 20
+  monitor: f1           # 用于挑选 best.pth 的验证指标
+
+  optimizer:
+    name: adamw
+    lr: 0.001
+    weight_decay: 0.0001
+
+  scheduler:
+    name: cosine
+
+  loss:
+    heatmap_weight: 1.0
+    wh_weight: 0.1
+    offset_weight: 1.0
+    cls_weight: 1.0
+
+  eval:
+    score_threshold: 0.3
+    iou_threshold: 0.5
+    topk: 50
+
+  # 训练过程可视化（SwanLab）。未安装或 enabled=false 时自动跳过。
+  swanlab:
+    enabled: true
+    project: film-defect
+    name: null            # 缺省用 work_dir 的目录名
+    mode: online          # online(云端) | local(本地看板) | offline(仅存盘) | disabled
+    tags: [tiny_conv, center-head]

configs/train/multiclass.yaml

@@ -0,0 +1,12 @@
+_base_:
+  - ./baseline.yaml
+
+# 单类（互斥）分类示例：一张图只归一个类别，分类头多一维表示"无缺陷"。
+label_mode: multiclass
+
+work_dir: runs/multiclass
+train:
+  monitor: cls_f1         # 单类模式下常用分类指标挑选 best.pth
+  swanlab:
+    name: multiclass
+    tags: [tiny_conv, multiclass]

configs/train/resnet18.yaml

@@ -0,0 +1,8 @@
+_base_:
+  - ./baseline.yaml
+  - ../model/resnet18.yaml
+
+work_dir: runs/resnet18
+train:
+  optimizer:
+    lr: 0.0005