fix(detect): 推理尺寸与训练尺寸不一致时报警

用 640 整图训练的权重跑 160 切片推理，结果看起来完全正常——照常出框、照常有置信度，
但类别系统性地错：实测 mosquito 的 TP 归零，760 张里 599 张被判成 blackdot，
而同一权重整图推理时 mosquito 有 92% 判对。这种错误不会自己暴露。

从 checkpoint 里读训练时的 imgsz，与当前切片尺寸不符就警告。三个调用点都接上：
可视化、批量推送预测、ML backend 加载权重时。visualize 的 summary.json 也补上
tile_size / tile_overlap，免得事后分不清某次产出是怎么跑的。

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

engine/tiled_inference.py

@@ -16,6 +16,41 @@ from engine.detection import Box
 from engine.tiling import tiled_predict
 
 
+def training_imgsz(model) -> int | None:
+    """权重里记录的训练输入尺寸；读不到返回 None。
+
+    ultralytics 把训练参数存在 checkpoint 里，推理时可以取回来核对。
+    """
+    for source in (
+        getattr(model, "ckpt", None) or {},
+        getattr(model, "overrides", None) or {},
+    ):
+        value = source.get("train_args", source).get("imgsz") if isinstance(source, dict) else None
+        if isinstance(value, int):
+            return value
+    return None
+
+
+def check_size_matches(model, size: int, logger=None) -> str | None:
+    """推理尺寸与训练尺寸不一致时给出警告文本（一致或读不到则返回 None）。
+
+    这一条是有代价换来的：用 640 整图训练的模型去跑 160 的切片推理，结果**看起来正常**
+    ——照样出框、照样有置信度，但类别系统性地错（实测 mosquito 全部变成 blackdot，
+    TP 为 0）。不主动核对的话，这种结果会被当成模型退化去查很久。
+    """
+    trained = training_imgsz(model)
+    if trained is None or size <= 0 or trained == size:
+        return None
+    message = (
+        f"权重是按 imgsz={trained} 训练的，现在按 {size} 切片推理——两者不一致，"
+        f"结果不可信（会照常出框，但类别系统性地错）。"
+        f"要么换成按 {size} 训练的权重，要么用 --tile-size 0 退回整图推理"
+    )
+    if logger is not None:
+        logger.warning("%s", message)
+    return message
+
+
 def predict_image(
     model,
     image: np.ndarray,