feat(detect): 默认模型换成 yolo26n

CLAUDE.md 已把"只用 convolution 模型"收窄到聚类与数据集生成阶段，检测这一步
不再受限，于是换成最新的 YOLO26：端到端（NMS-free），推理侧少一道后处理。
取最小的 n 档——数据 1.1 万张且标签是弱监督的，模型大了容易把标注噪声学进去。

同时去掉 test_config.py 里"不许用 yolo11/yolo12"的断言，它的依据已随
CLAUDE.md 的改动失效。

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

README.md

@@ -629,9 +629,9 @@ data/boxes_gradcam/
 
 ### 模型与增强的取舍
 
-- **选 YOLOv8 而不是 v11/v12**：CLAUDE.md 限定只用 convolution 模型，而 YOLO11 骨架里有
-  C2PSA（position-sensitive attention）、YOLO12 更是以注意力为主。YOLOv8 的 C2f + SPPF 是纯卷积。
-  `s` 是精度/速度折中——数据只有 1.1 万张且标签是弱监督的，模型再大容易把标注噪声一起学进去。
+- **默认 YOLO26 的 `n` 档**：CLAUDE.md 的"只用 convolution 模型"只约束聚类与数据集生成阶段，
+  检测这一步不受限，所以用最新的 YOLO26——它是端到端的（NMS-free），推理侧少一道后处理。
+  选最小的 `n`：数据只有 1.1 万张且标签是弱监督的，模型再大容易把标注噪声一起学进去。
 - **关掉 mosaic / mixup**：它们把四张图拼一起，而我们每张图只有一个弱监督框，拼接后小目标被
   缩得更小，对 `blackdot`/`whitedot` 这类本就只占千分之几面积的类别是净伤害。
 - **关掉 hsv_h**：薄膜图近乎单色，色相扰动没有意义。翻转照旧开着（缺陷没有固定朝向）。

configs/detect/film.yaml

@@ -17,11 +17,10 @@ data:
   yaml: data/boxes_shap/data.yaml
 
 model:
-  # 选 v8 而不是 v11/v12：CLAUDE.md 限定只用 convolution 模型，
-  # 而 YOLO11 的骨架里有 C2PSA（position-sensitive attention）、YOLO12 更是以注意力为主。
-  # YOLOv8 的 C2f + SPPF 是纯卷积。
-  # s 是精度/速度的折中；数据只有 1.1 万张且标签是弱监督的，再大容易把标注噪声也学进去。
-  weights: yolov8s.pt
+  # CLAUDE.md 的"只用 convolution 模型"只约束聚类与数据集生成阶段，检测这一步不受限，
+  # 所以用最新的 YOLO26。它是端到端的（NMS-free），推理侧少一道后处理。
+  # n 是最小的一档：数据只有 1.1 万张且标签是弱监督的，模型大了容易把标注噪声也学进去。
+  weights: yolo26n.pt
 
 train:
   epochs: 100

tests/test_config.py

@@ -140,11 +140,9 @@ def test_every_shipped_config_builds_its_components(config_path):
     # 分类配置
     model_cfg = cfg.get("model")
     if model_cfg and "weights" in model_cfg:
-        # 检测配置：model 是 ultralytics 的权重名（yolov8s.pt），不走本仓库的注册表。
-        # 只校验它是纯卷积的那一档——CLAUDE.md 限定只用 convolution 模型，
-        # YOLO11 的 C2PSA 与 YOLO12 都带注意力。
-        assert "yolo11" not in model_cfg["weights"]
-        assert "yolo12" not in model_cfg["weights"]
+        # 检测配置：model 是 ultralytics 的权重名（yolo26n.pt），不走本仓库的注册表，
+        # 这里只确认它确实是个权重文件名。
+        assert model_cfg["weights"].endswith(".pt")
     elif model_cfg:
         import torch