feat: 未分类样本的无监督聚类（多 stage 特征 + KMeans，可选 SimCLR）

把 data/film 下所有图片拉平做聚类，不使用任何目录名，簇数由 num_clusters 决定。

预处理针对该批数据的实际情况（14.5k 张已裁好的缺陷小图，中位 152x113，
宽高比 0.24~39.9）：尺寸与亮度都是 ROI 裁剪和光照的产物、不是缺陷属性，
因此拉伸到 128x128（不用 letterbox，其填充比例等价于编码了宽高比）并逐图 z-score。

- cluster: torch 实现的 kmeans++/Lloyd（含空簇处理与 n_init）、PCA、轮廓系数、
  NMI 稳定性、多 stage 特征提取；不引 scikit-learn
- 白化默认关闭：CNN 特征谱极陡（λ1/λ32≈165x），白化会把噪声方向抬到与信号同权，
  实测最大簇一度吃掉 96% 的样本
- simclr: NT-Xent 自监督预训练，用项目自己的卷积骨架，权重可直接初始化 DefectNet；
  属于训练，走 require_cuda() 守卫
- 产出 assignments.csv、summary.json、按簇的软链目录与代表样本拼图，供人工核对

全量 14,579 张：轮廓系数 0.326、换种子稳定性 0.964，CPU 约 100 秒。

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

models/heads/projection.py

@@ -0,0 +1,30 @@
+"""SimCLR 的投影头。
+
+对比损失只作用在投影后的空间；聚类时**丢掉投影头、用骨架特征**——
+这是 SimCLR 的既有结论：投影头会丢掉对下游任务有用但对比任务用不上的信息。
+"""
+
+from __future__ import annotations
+
+import torch
+from torch import nn
+
+from models.registry import HEADS
+
+
+@HEADS.register("projection")
+class ProjectionHead(nn.Module):
+    def __init__(self, in_channels: int, hidden_channels: int = 256, out_channels: int = 128) -> None:
+        super().__init__()
+        self.pool = nn.AdaptiveAvgPool2d(1)
+        self.mlp = nn.Sequential(
+            nn.Linear(in_channels, hidden_channels),
+            nn.BatchNorm1d(hidden_channels),
+            nn.ReLU(inplace=True),
+            nn.Linear(hidden_channels, out_channels),
+        )
+
+    def forward(self, feat: torch.Tensor) -> torch.Tensor:
+        if feat.dim() == 4:
+            feat = self.pool(feat).flatten(1)
+        return self.mlp(feat)