feat(issue-50): LoRA rank sweep for VisDrone and Brain Tumor vertical scenarios

[H2Rhan]

Closes #50

犀牛鸟 #50 — 垂类场景 LoRA 高效微调适配

实验设计

• 基础模型：YOLO-Master-EsMoE-N (3.42M params)
• LoRA策略：MoE专家投影层 + 卷积层，排除 router/gate，RSLoRA 启用，gradient_checkpointing 启用，attention 不包含
• 训练环境：NVIDIA A40 (48GB)，SLURM Job #89299
• 6 实验：2 数据集 × 3 rank (r=4,8,16)

VisDrone 实验结果 (航拍检测, 10 类, 30 epochs)

Rank	Alpha	mAP50	mAP50-95	Precision	Recall	时间	显存
r=4	8	0.045	0.019	0.421	0.066	5.06h	24.7G
r=8	16	0.049	0.022	0.423	0.072	5.06h	24.7G
r=16	32	0.064	0.029	0.334	0.088	5.25h	24.7G

Brain Tumor 实验结果 (医疗检测, 2 类, 40 epochs)

Rank	Alpha	mAP50	mAP50-95	Precision	Recall	时间	显存
r=4	8	0.449	0.294	0.464	0.659	0.36h	24.7G
r=8	16	0.450	0.287	0.442	0.721	0.37h	24.7G
r=16	32	0.476	0.314	0.466	0.721	0.39h	24.7G

主要发现

1. Brain Tumor 推荐 r=8：mAP50 0.45，性价比最优，比 r=16 节省约40% adapter 参数
2. VisDrone 效果不佳：基础模型未在航拍数据上预训练，小目标检测场景需更高 rank 或全量微调
3. MoE 路由层已排除在 LoRA target_modules 之外，仅微调专家投影层
4. RSLoRA 对 rank 不同的稳定性表现一致

文件变更

• run_lora_visdrone_sweep.sh — VisDrone 批量实验脚本
• run_lora_brain_tumor_sweep.sh — Brain Tumor 批量实验脚本
• run_yolo_master_lora_rank_sweep.py — Python sweep runner
• yolo_master_visdrone_lora.yaml — VisDrone LoRA配置
• yolo_master_brain_tumor_lora.yaml — Brain Tumor LoRA配置
• yolo_master_lora_README.md — 实验文档与最佳实践
• yolo_master_lora_rank_sweep_results.csv — Sweep 汇总表
• yolo_master_lora_results.csv — 详细指标