feat(detect): 约束预测框互不重叠

人工标注的真值里一处缺陷只有一个框：11211 张图、151 张多框图，重叠框对为 0。
而模型预测在验证集上有 6.9% 的图存在重叠框——NMS 只在同类内、按固定 IoU 阈值抑制，
压不掉两类情况：同一处缺陷被两个类别各框一次（实测 IoU 高达 0.99），以及 IoU 低于
NMS 阈值的同类重叠（grease 66 对、wrinkle 45 对）。

- engine/detection.suppress_overlaps：按置信度贪心保留互不重叠的框，可设允许的
  最大 IoU；另可丢弃被大框完全包住的小框（面积悬殊时 IoU 很小，但显然是重复表达）。
- visualize_detections 默认 --max-overlap 0（与真值一致），并放出 --nms-iou 与
  类别无关 NMS 开关；--max-overlap -1 可看模型原始输出。

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

engine/detection.py

@@ -102,6 +102,44 @@ def match_boxes(
     )
 
 
+def suppress_overlaps(
+    boxes: Sequence[Box], max_iou: float = 0.0, contained: bool = True
+) -> list[int]:
+    """贪心地挑出互不重叠的框，返回保留下来的下标（按输入顺序）。
+
+    按置信度从高到低考察，与任一已保留框重叠超过 `max_iou` 就丢弃。
+
+    为什么需要这一步：NMS 只在**同类**内、且按固定 IoU 阈值抑制，所以同一处缺陷被两个
+    类别各框一次（跨类重复），或两个框 IoU 低于 NMS 阈值时，都会留下重叠框。而人工标注的
+    真值里一处缺陷只有一个框，零重叠——推理侧不加这层约束，指标和图上都会出现真值里
+    不可能有的形态。
+
+    Args:
+        max_iou: 允许的最大 IoU。0 表示碰到就算重叠，完全不允许。
+        contained: 是否额外丢弃被已保留框完全包住的框。整图大框套小框时 IoU 可能很小
+            （面积悬殊），但那显然是同一处目标的重复表达。
+    """
+    order = sorted(range(len(boxes)), key=lambda i: -(boxes[i].score or 0.0))
+    kept: list[int] = []
+    for index in order:
+        box = boxes[index]
+        if any(
+            iou(box, boxes[other]) > max_iou or (contained and _inside(box, boxes[other]))
+            for other in kept
+        ):
+            continue
+        kept.append(index)
+    return sorted(kept)
+
+
+def _inside(inner: Box, outer: Box) -> bool:
+    """inner 是否完全落在 outer 里（含边界）。"""
+    return (
+        outer.x1 <= inner.x1 and outer.y1 <= inner.y1
+        and outer.x2 >= inner.x2 and outer.y2 >= inner.y2
+    )
+
+
 def draw_boxes(image, ground_truth: Sequence[Box], predictions: Sequence[Box],
                classes: Sequence[str], match: Match, width: int = 2):
     """把真值与预测画在图上（就地修改传入的 PIL 图像并返回）。