feat: 用 Grad-CAM 从分类模型生成弱监督框标签

分类模型只学过"是什么缺陷"，Grad-CAM 把分类分数对卷积特征的梯度当作通道重要性，
加权求和得到空间热力图，阈值化 + 连通域外接矩形即得到框标签，输出 YOLO 格式，
可直接接入既有的检测训练链路。

- engine/gradcam.py：整批一次 backward 的 Grad-CAM（各样本只回传自己那一类的分数）、
  numpy 实现的 4-邻接连通域标记（不为这一处引入 scipy/opencv）、CAM 转归一化框
- scripts/gradcam_boxes.py：遍历数据集生成标签，并输出「原图 | 热力图 | 叠加+框」
  三联图供人工核对；框的类别取自图片所在目录而非模型预测

两处按实图定下的默认值：
- --stage 默认 6（layer3, 8×8）。layer4 只有 4×4 太粗，layer2 响应太散导致 40% 出不了框
- --peak-ratio 0.75：次要连通域峰值需达全局最大值的 75%，否则会在无缺陷的角落刷假框；
  实测把两框比例从 53% 降到 20%

全量 11,212 张已生成：61.8% 出 1 框、35.2% 出 2 框、3.0% 无框，每类留 25 张可视化。

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

README.md

@@ -632,6 +632,51 @@ model:
 只加载 backbone，分类头仍随机初始化。`frozen_backbone: true` 可以单独衡量
 自监督特征本身有多好。
 
+## 从分类到定位：Grad-CAM 生成框标签
+
+分类模型只学过"这是什么缺陷"，没学过"缺陷在哪"。Grad-CAM 把分类分数对卷积特征的梯度
+当作通道重要性，加权求和得到空间热力图——这是分类模型隐含的定位线索。阈值化 +
+取连通域外接矩形，就得到弱监督的框标签：
+
+```bash
+uv run python scripts/gradcam_boxes.py --checkpoint runs/classify/best.pth
+```
+
+```
+runs/gradcam_boxes/
+├── labels/<类别>/<图名>.txt   # YOLO 格式 class_id cx cy w h，可直接喂给检测训练
+├── viz/<类别>/<图名>.png      # 原图 | 热力图 | 叠加+框，供人工核对
+├── data.yaml
+└── summary.json
+```
+
+**框的类别取自图片所在目录**（人工归类结果），不是模型预测——即使模型分错，
+要的也是该图真实类别的热力区域。
+
+### 分辨率是主要限制
+
+resnet18 在 128×128 输入下各层的 CAM 尺寸：layer4 只有 4×4、layer3 是 8×8、layer2 是 16×16。
+层越浅越精细，但类别判别性越弱。`--stage`（4~7 对应 layer1~4）可选，默认 6 即 **layer3**：
+
+| stage | CAM | 实测（每类抽 3 张，共 45 张） |
+| --- | --- | --- |
+| 7 (layer4) | 4×4 | 100% 出 1 个框，但只有 16 个格子，框很粗 |
+| **6 (layer3)** | **8×8** | **76% 出 1 框、20% 出 2 框，热力区域与缺陷贴合** |
+| 5 (layer2) | 16×16 | 40% 出不了框，响应太散 |
+
+### 几个调参点
+
+- `--threshold`（默认 0.4）：热力图相对最大值的阈值
+- `--peak-ratio`（默认 0.75）：次要连通域的峰值要达到全局最大值的这个比例才保留。
+  不加这条会在没有缺陷的角落刷出假框——实测把两框比例从 53% 降到 20%
+- `--padding`（默认 0.1）：框四周外扩。CAM 倾向只覆盖最具判别性的部位（缺陷中心），
+  往往比真实缺陷范围小
+- `--viz-per-class`（默认 20）：每类存多少张可视化；`--viz-all` 全存（很慢很占盘）
+
+> **不是所有类别都可定位。** `normal`/`black`/`edge_clean` 这类描述的是整图属性而非
+> 局部缺陷，它们的框没有物理意义。真正有用的是 `blackdot`/`whitedot`/`mosquito`/
+> `grease`/`zigzag` 这些有局部目标的类别。
+
 ## 方法
 
 - **骨架**：`tiny_conv`（自研深度可分离卷积，默认）或 `torchvision`（resnet / mobilenet / shufflenet）。