feat(simclr): 接入 SwanLab 可视化，并补上本地看板缺失的依赖

- SimCLRTrainer 记录 simclr/loss、loss_avg、lr（按 step）与 epoch_loss、
  epoch_seconds、gpu_mem_peak_mb（按 epoch），超参为完整 yaml 配置；
  正常结束与 KeyboardInterrupt 两条路径都会 finish()
- 配置新增 simclr.swanlab（字段同 train.swanlab），默认 mode: local，
  不需要登录，日志写到 <work_dir>/swanlog
- 依赖改为 swanlab[dashboard]：此前 `swanlab watch` 在干净环境里会报
  "Please install the swanboard package"，README 里检测训练那节的看板命令
  同样受影响，现已随 uv sync 装好
- README 补齐本地看板/云端/离线补传三种用法与端口、局域网参数

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

README.md

@@ -127,11 +127,21 @@ train:
 ```
 
 ```bash
-swanlab login                                                     # 首次使用云端模式需登录
-uv run python train.py --config configs/train/baseline.yaml --set train.swanlab.mode=offline
-uv run swanlab watch runs/baseline/swanlog                        # 本地看板
+# 本地看板：不需要账号，训练时用 local 模式，另开终端起看板
+uv run python train.py --config configs/train/baseline.yaml --set train.swanlab.mode=local
+uv run swanlab watch runs/baseline/swanlog          # 默认 http://127.0.0.1:5092
+
+# 云端
+uv run swanlab login                               # 首次使用需登录
+uv run python train.py --config configs/train/baseline.yaml   # mode 默认 online
+
+# 离线跑完后再补传云端
+uv run swanlab sync runs/baseline/swanlog
 ```
 
+看板可以在训练**进行中**打开，指标边训边刷。端口冲突用 `-p 5100`，要局域网访问加 `-h 0.0.0.0`。
+本地看板依赖 `swanlab[dashboard]`，已包含在 `uv sync` 里。
+
 未安装 swanlab、未登录或网络不通时会打一条警告并继续训练，不会中断。关掉用
 `--set train.swanlab.enabled=false`。
 
@@ -290,8 +300,17 @@ view_transforms:            # 生成两个视图的随机增强
 > `RandomResizedCrop` 的 `scale` 下限别低于 0.4：裁太狠会让两个视图都只剩背景，
 > "背景 vs 背景"被当成正样本对，学出来的特征会退化。
 
-> SimCLR 训练目前**没有接 SwanLab**，只往 `<work_dir>/cluster.log` 打文本日志，
-> 盯 loss 要看日志（`grep "完成 loss" runs/simclr/cluster.log`）。
+SimCLR 训练同样接了 SwanLab（配置在 `simclr.swanlab`，字段与 `train.swanlab` 相同，
+默认 `mode: local` 不需要登录）。训练跑起来后另开一个终端：
+
+```bash
+uv run swanlab watch runs/simclr/swanlog
+```
+
+记录的指标：按 step 的 `simclr/loss`、`simclr/loss_avg`、`simclr/lr`，按 epoch 的
+`simclr/epoch_loss`、`simclr/epoch_seconds`、`simclr/gpu_mem_peak_mb`，超参是完整的 yaml 配置。
+不想要就 `--set simclr.swanlab.enabled=false`；纯看文本日志用
+`grep "完成 loss" runs/simclr/cluster.log`。
 
 训练出的骨架和检测模型用的是同一套卷积骨架，可以直接拿去初始化 `DefectNet` 的 backbone——
 标注量有限时，通常比 ImageNet 权重更贴合薄膜的成像特性。