feat: 脸型分类器(7分类)+批量报告生成

基于 MediaPipe 468 关键点提取几何特征，转 z 分数后与各脸型原型加权匹配。
参考分布与原型靶心取自 1093 张测试集的实测画像，不再靠人工设定绝对阈值。

方形脸占比从 29.6% 降到 13.8%，两处原因：一是参考统计量原先只由 50 张样本
估得，相对全量人群有系统性偏移，且三项偏移都在给方形脸加分；二是原型把
aspect_ratio 当作方形脸的主特征，但实测方脸组该值中位仅 +0.16，真正"宽"的
是圆脸(+1.01)，等于在拿脸宽找方脸。

原型参数在「6 张基准标注图判定不变、且领先第二名 >=3 分」的约束下搜索得到。
余量约束是必要的：早前一版余量仅 0.008 分，权重写码时四舍五入就会翻转结论。

测试素材(人像照片)与报告输出体积大，一并加入 .gitignore。

Co-authored-by: Cursor <cursoragent@cursor.com>

face/dump_features.py

@@ -0,0 +1,83 @@
+"""
+把各数据集的人脸特征抽取一次并缓存为 JSON，供调参脚本反复使用。
+
+MediaPipe 关键点检测是调参循环里唯一的耗时环节，缓存后调参可以秒级迭代。
+"""
+
+from __future__ import annotations
+
+import json
+import sys
+from pathlib import Path
+from typing import Dict, List
+
+import cv2
+
+sys.path.insert(0, str(Path(__file__).resolve().parent))
+
+from face_shape_classifier import (  # noqa: E402
+    _get_face_mesh,
+    extract_face_features,
+)
+
+ROOT = Path(__file__).resolve().parent
+IMG_EXT = {".png", ".jpg", ".jpeg", ".webp", ".bmp"}
+
+
+def iter_images(root: Path) -> List[Path]:
+    return sorted(p for p in root.rglob("*") if p.suffix.lower() in IMG_EXT)
+
+
+def features_for(path: Path) -> Dict[str, float] | None:
+    bgr = cv2.imread(str(path))
+    if bgr is None:
+        return None
+    h, w = bgr.shape[:2]
+    rgb = cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB)
+    res = _get_face_mesh().process(rgb)
+    if not res.multi_face_landmarks:
+        return None
+    return extract_face_features(res.multi_face_landmarks[0].landmark, image_size=(w, h))
+
+
+def main() -> None:
+    out_path = Path(sys.argv[1]) if len(sys.argv) > 1 else ROOT / "cache" / "features.json"
+    out_path.parent.mkdir(parents=True, exist_ok=True)
+
+    sources = {
+        # 6 张带标注的基准图，文件名即期望脸型
+        "benchmark": [p for p in ROOT.joinpath("test_img").glob("*.png")],
+        "girl": iter_images(ROOT / "test_img" / "girl"),
+        "man": iter_images(ROOT / "test_img" / "man"),
+        "dataset": iter_images(ROOT / "test_img" / "脸型测试集合"),
+    }
+
+    records = []
+    failed = 0
+    for source, paths in sources.items():
+        for i, path in enumerate(paths, 1):
+            feats = features_for(path)
+            if feats is None:
+                failed += 1
+                continue
+            rel = path.relative_to(ROOT)
+            records.append(
+                {
+                    "source": source,
+                    "path": rel.as_posix(),
+                    "file": path.name,
+                    # dataset 的上级目录名即原始分组（弱标签，非可信真值）
+                    "group": path.parent.name if source == "dataset" else source,
+                    "expected": path.stem if source == "benchmark" else None,
+                    "features": feats,
+                }
+            )
+            if i % 50 == 0 or i == len(paths):
+                print(f"[{source}] {i}/{len(paths)}", flush=True)
+
+    out_path.write_text(json.dumps(records, ensure_ascii=False), encoding="utf-8")
+    print(f"\n写入 {out_path}：{len(records)} 条，检测失败 {failed} 张")
+
+
+if __name__ == "__main__":
+    main()