首页分享鸟类物种识别数据集

鸟类物种识别数据集

来源：萌宠菠菠乐园时间：2026-02-24 18:36

鸟类物种识别数据集-9,980张图片-文章末添加wx领取数据集已发布目标检测数据集合集（持续更新）鸟类物种识别数据集介绍数据集概览包含类别应用场景数据样本展示使用建议数据集特色商业价值技术标签 YOLOv8 训练实战 1. 环境配置安装 YOLOv8 官方库 ultralytics 2. 数据准备2.1 数据标注格式（YOLO）2.2 文件结构示例2.3 创建 data.yaml 配置文件 3. 模型训练关键参数补充说明： 4. 模型验证与测试4.1 验证模型性能关键参数详解常用可选参数典型输出指标4.2 推理测试图像 5. 自定义推理脚本（Python） 6. 部署建议

在这里插入图片描述

已发布目标检测数据集合集（持续更新）

数据集名称图像数量应用方向博客链接电网巡检检测数据集1600 张电力设备目标检测点击查看火焰 / 烟雾 / 人检测数据集10000张安防监控，多目标检测点击查看高质量车牌识别数据集10,000 张交通监控 / 车牌识别点击查看农田杂草航拍检测数据集1,200 张农业智能巡检点击查看航拍绵羊检测数据集1,700 张畜牧监控 / 航拍检测点击查看️ 热成像人体检测数据集15,000 张热成像下的行人检测点击查看安全背心检测数据集3,897 张工地安全 / PPE识别点击查看火箭检测数据集介绍12,000 张智慧医疗 / 养老护理点击查看⚡ 绝缘子故障检测数据集2,100张无人机巡检/智能运维点击查看交通标志检测数据集1866张智能驾驶系统/地图数据更新点击查看道路交通标志检测数据集2,000张智能地图与导航/交通监控与执法点击查看口罩检测数据集1,600张疫情防控管理/智能门禁系统点击查看野生动物检测数据集5,138张野生动物保护监测/智能狩猎相机系统点击查看水果识别数据集2,611张图片智能零售/智慧农业点击查看无人机目标检测数据集14,751张无人机检测/航拍图像点击查看吸烟行为检测数据集2,108张公共场所禁烟监控/健康行为研究点击查看️ 道路坑洞检测数据集8,300张智能道路巡检系统/车载安全监测设备点击查看️ 井盖识别数据集2,700 张道路巡检智能城市点击查看消防器材检测数据集9,600 张智慧安防系统自动审核系统点击查看手机通话检测数据集3,100张智能监控系统驾驶安全监控点击查看建筑工地车辆检测数据集28,000 张施工现场安全监控智能工地管理系统点击查看游泳人员检测数据集4,500 张游泳池安全监控海滩救生系统点击查看植物病害检测数据集6,200 张智能农业监测系统家庭园艺助手点击查看鸟类计算机视觉数据集6,200 张鸟类保护监测生态环境评估点击查看无人机计算机视觉数据集7,000 张空域安全监管无人机反制系统点击查看️ Aerial_Tank_Images 坦克目标检测数据集2,200 张军事目标识别与侦查卫星遥感目标识别点击查看♻️ 塑料可回收物检测数据集10,000 张智能垃圾分类系统环保回收自动化点击查看建筑物实例分割数据集9,700 张城市规划与发展智慧城市管理点击查看人脸情绪检测数据集9,400 张智能客服系统在线教育平台点击查看红外人员车辆检测数据集53,000 张智能安防监控系统边境安全防控点击查看停车空间检测数据集3,100 张实时车位导航系统智能停车收费管理点击查看♻ 垃圾分类检测数据集15,000 张智能垃圾分类回收站与环保设施自动化点击查看✂️ 石头剪刀布手势识别数据集3,100 张智能游戏系统人机交互界面点击查看腐烂香蕉检测数据集4,267张食品质量检测智能农产品分拣系统点击查看扑克牌数字检测数据集6,240 张智能扑克游戏系统赌场监控与安全点击查看车牌识别数据集12,658张智能交通管理系统停车场自动化管理点击查看️ 建筑设备检测数据集6,247张智能工地管理施工安全监控点击查看个人防护装备检测数据集7,892 张工业安全监控建筑工地安全管理点击查看⚓ 船舶检测数据集7,542张海洋交通监管港口智能化管理点击查看空中救援任务数据集6,742张自然灾害应急救援海上搜救任务点击查看✈️ 固定翼无人机检测数据集8,247张空域安全监管机场反无人机系统点击查看口罩检测数据集8,432张公共场所监控系统企业复工防疫管理点击查看无人机检测数据集6,847张机场空域安全管理重要设施防护监控点击查看✂️ 剪刀石头布手势识别数据集2,376张智能游戏开发儿童教育娱乐点击查看安全背心识别数据集4,892张建筑工地安全监管工业园区智能巡检点击查看饮料容器材质检测数据集6,342张智能垃圾分拣系统生产线质量检测点击查看物流运输场景数据集7,854张智能仓储管理系统物流车队智能调度点击查看️ 热成像数据集9,127张夜间安防监控工业设备检测点击查看车辆损伤识别数据集6,742 张保险理赔自动化智能汽车维修评估点击查看扑克牌牌面识别数据集8,432 张智能扑克游戏系统线上扑克直播辅助点击查看围棋棋子检测数据集8,247 张智能围棋对弈系统围棋教学平台点击查看火箭检测数据集6,425 张航天发射监测军事情报分析点击查看⚡ 摔跤跌倒检测数据集9,354 张体育安全监测系统智能运动防护设备点击查看 PKLot停车位检测数据集12,416 张计算机视觉停车位检测点击查看车辆分类数据集28,045 张车辆识别交通工具点击查看道路标识检测数据集2,893 张道路标识识别自动驾驶点击查看集装箱侧面分类数据集2,408 张集装箱识别港口物流点击查看交通与道路标识检测数据集10,000张交通标志识别自动驾驶点击查看 COCO数据集123,272张目标检测 COCO点击查看人群检测数据集7,300张人流统计行人检测点击查看 MNIST手写数字识别数据集70,000张图像分类手写识别点击查看鸟类物种识别数据集9,880张鸟类识别生态保护点击查看皮肤癌检测数据集9,900张皮肤癌检测医学影像点击查看汽车颜色分类数据集2,004张汽车识别颜色检测点击查看⚔️ 暴力与非暴力行为识别数据集10,000张行为识别暴力检测点击查看植物病害检测数据集5,500张农业AI 植物病害识别点击查看脑肿瘤检测数据集9,900张医学影像脑肿瘤识别点击查看篮球场景目标检测数据集4,100张体育AI 篮球分析点击查看⚽ 足球场景目标检测数据集6,700张体育AI 足球分析点击查看️ 垃圾分类检测数据集10,464张垃圾分类环保科技点击查看无人机检测数据集9,495张无人机识别低空安全点击查看人类面部情绪识别数据集9,400张情绪识别人脸识别点击查看烟雾与火灾检测数据集536张火灾检测烟雾识别点击查看火灾检测计算机视觉数据集10,967张火灾检测火灾预警点击查看网站截图计算机视觉数据集1,286张网页分析 UI自动化点击查看️ 车道线实例分割数据集1,610张车道线检测自动驾驶点击查看️ 道路实例分割数据集1,114张实例分割道路检测点击查看汽车损伤检测数据集4500张汽车损伤识别保险定损点击查看️ 建筑物实例分割数据集9,700张遥感图像建筑物提取点击查看 CVR EGG 实例分割数据集1,438张禽蛋检测农业AI点击查看房间检测计算机视觉数据集1,272张实例分割建筑图纸识别点击查看美甲实例分割数据集3,626张美甲识别虚拟试妆点击查看汽车损伤严重程度分割数据集2,485张汽车损伤检测保险定损点击查看木材缺陷检测数据集10,000张木材缺陷检测工业质检点击查看‍ 人体姿态与行为实例分割数据集4,567张人体姿态识别行为分析点击查看条形码检测数据集9,988张条形码识别零售自动化点击查看道路车辆检测数据集4,058张自动驾驶车辆识别点击查看麻将计算机视觉模型数据集212张麻将识别游戏AI点击查看️ 个人防护装备检测数据集12,879张安全生产工业AI点击查看️ OCR字符检测数据集12,879张OCR字符检测车牌识别点击查看武器检测数据集9,672 张武器识别公共安全点击查看火灾检测数据集8,939 张火灾识别消防安全点击查看墙体检测计算机视觉数据集6,646 张墙体识别建筑图纸解析点击查看肝病细胞检测数据集105 张细胞识别数字病理点击查看 CCTV车辆与摩托车检测数据集1,023 张车辆识别摩托车检测点击查看番茄叶片病害检测数据集4,132 张植物病害识别智慧农业点击查看火灾与烟雾检测数据集8,875 张火灾识别烟雾检测点击查看 CSGO 游戏目标检测数据集2,427张游戏AI CSGO点击查看吸烟行为检测数据集3,895张吸烟行为识别公共健康点击查看刀具检测数据集9,219张刀具识别枪械检测点击查看动物目标检测数据集1,000张动物识别智能农场点击查看扑克牌检测数据集1,300张扑克牌识别游戏AI点击查看跌倒检测数据集4,600张跌倒检测行为识别点击查看️ 军用车辆检测数据集3,143张军用车辆识别战场感知点击查看电缆损伤检测数据集1,318张电缆损伤识别工业质检点击查看人物检测数据集1,687张人物识别安防监控点击查看️ 军事目标检测数据集6,149张军事识别无人机侦察点击查看火箭检测计算机视觉数据集12,303张火箭识别航天监控点击查看️ 建筑工地PPE检测数据集8,845张PPE识别工地安全点击查看人物检测计算机视觉数据集2,545张人物检测安防监控点击查看驾驶员行为检测数据集8,867张人物检测安防监控点击查看红外行人与车辆检测数据集53,483张红外成像行人检测点击查看排球动作检测数据集13,925张排球动作识别体育分析点击查看️ 水域垃圾检测数据集2,273张水域垃圾识别环保监测点击查看达卡城市交通目标检测数据集1,502张城市交通达卡数据集点击查看⚙️ 金属结构腐蚀检测数据集1,249张工业缺陷检测腐蚀识别点击查看交通标志检测数据集4,113张交通标志识别自动驾驶点击查看️ 停车位状态检测数据集3,123张智能停车车位识别点击查看⛳ 高尔夫球与球杆检测数据集6,082张高尔夫分析运动科学点击查看️ UI元素检测数据集5,428张UI自动化无障碍访问点击查看✋ 手势识别数据集2,122张手势识别人机交互点击查看杂货商品检测数据集83,699张商品识别智能零售点击查看野外相机动物检测数据集1,311张野外相机野生动物识别点击查看工程机械检测数据集2,655张工程机械识别智慧工地点击查看⚽ 足球检测数据集1,237张足球识别体育分析点击查看篮球运动目标检测数据集3,666张篮球识别体育分析点击查看障碍物检测数据集9,183张障碍物识别自动驾驶点击查看⚠️ 安全锥检测数据集1,703张安全锥识别自动驾驶点击查看♟ 国际象棋棋子检测数据集3,946张棋子识别国际象棋点击查看人体检测数据集7,785张人体识别行人检测点击查看 X光手部骨骼检测数据集3,839张医学影像 X光识别点击查看 R2P2 食品杂货检测数据集2,745张食品识别智能零售点击查看️ 室内家具检测数据集8,055张室内设计智能家居点击查看️ 建筑工程车辆检测数据集7,615张智慧工地施工安全点击查看航拍军事目标检测数据集10,000张军事识别无人机侦察点击查看火灾检测数据集86,617张火灾识别烟雾检测点击查看暴力与武器检测数据集5,953张暴力行为识别武器检测点击查看牛津宠物数据集3,680张宠物识别细粒度分类点击查看超市货架空位检测数据集1,444张货架空位检测缺货识别点击查看街道无障碍设施检测数据集4,968张无障碍设施智慧城市点击查看网球检测数据集2,244张网球识别体育分析点击查看无人机检测数据集7,248张无人机识别空域安全点击查看机器人视觉垃圾分类数据集7,984张垃圾分类智能机器人点击查看斯坦福犬类数据集9,984张犬种识别细粒度分类点击查看水果检测数据集1,007张水果识别智能零售点击查看火源检测数据集9,128张火源识别智能安防点击查看个人防护装备检测数据集3,551张个人防护装备智慧工地点击查看人体检测数据集10,000张人体检测智能监控点击查看多物种动物检测数据集9,073张野生动物识别生态保护点击查看猫只检测数据集1,159张猫只识别宠物管理点击查看猪只检测数据集1,092张猪只识别智慧养殖点击查看️ 垃圾分类与物体检测数据集2,362张垃圾分类环保科技点击查看️ 印度手语检测数据集1,748张手语识别无障碍沟通点击查看⚽ 足球比赛分析数据集8,873张足球分析体育科技点击查看番茄叶片病害检测数据集8,439张植物病害智慧农业点击查看️ MilTech 军事目标检测数据集4,690张军事目标识别战场感知点击查看仪表盘指针检测数据集4,862张工业仪表识别指针检测点击查看 COCO 人物检测数据集5,438张人物检测 COCO点击查看挖掘机与工程车辆检测数据集2,655张工程车辆识别智慧工地点击查看✋ 美国手语字母检测数据集720张手语识别美国手语点击查看香蕉成熟度分类数据集5,616张图像分类香蕉成熟度点击查看 MIT室内场景识别数据集15,571张室内场景识别机器人导航点击查看汽车颜色分类数据集2,004张汽车颜色识别智能交通点击查看

每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

鸟类物种识别数据集介绍-9,980张图片已发布目标检测数据集合集（持续更新）鸟类物种识别数据集介绍数据集概览包含类别应用场景数据样本展示使用建议数据集特色商业价值技术标签 YOLOv8 训练实战 1. 环境配置安装 YOLOv8 官方库 ultralytics 2. 数据准备2.1 数据标注格式（YOLO）2.2 文件结构示例2.3 创建 data.yaml 配置文件 3. 模型训练关键参数补充说明： 4. 模型验证与测试4.1 验证模型性能关键参数详解常用可选参数典型输出指标4.2 推理测试图像 5. 自定义推理脚本（Python） 6. 部署建议

在这里插入图片描述

鸟类物种识别数据集介绍

数据集概览

本项目是专注于鸟类物种智能识别的计算机视觉数据集，共包含约 9,980 张高分辨率图像，主要用于训练深度学习模型对全球范围内多种鸟类进行精准分类。该数据集是构建生态监测、观鸟助手、生物多样性研究和自然教育应用的核心基础。

图像数量：9,980 张类别数：525 类适用任务：图像分类（Image Classification）适配模型：ResNet、EfficientNet、Vision Transformer (ViT)、MobileNet 等主流分类网络包含类别类别英文名称描述黑喉雀鹰BLACK THROATED HUET一种小型猛禽，分布于南美洲黑喉莺BLACK THROATED WARBLER羽毛以灰褐色为主，喉部黑色黑腹 shearwaterBLACK VENTED SHEARWATER海鸟，腹部羽毛为黑色黑兀鹫BLACK VULTURE大型食腐鸟类，头部无毛黑顶拟鹂BLACK-CAPPED CHICKADEE北美常见鸣禽，头顶黑色黑颈鹭BLACK-NECKED GREBE水鸟，颈部有黑色条纹黑喉麻雀BLACK-THROATED SPARROW小型鸣禽，喉部呈黑色斑块布莱克本莺BLACKBURNIAM WARBLER羽色鲜艳，多栖息于森林中金冠啄木鸟BLONDE CRESTED WOODPECKER头顶有金色羽冠的啄木鸟血雉BLOOD PHEASANT羽毛色彩斑斓，分布于喜马拉雅山区蓝鸡鸠BLUE COAU中小型陆生鸟类，体羽呈蓝色蓝翠鸟BLUE DACNIS体羽鲜艳，常在热带雨林活动蓝灰鹟BLUE GRAY GNATCATCHER小型鸣禽，体色蓝灰相间蓝 grosbeakBLUE GROSBEAK体羽深蓝，喙粗壮蓝松鸡BLUE GROUSE栖息于高山灌丛中的大型鸡形目鸟类

数据集覆盖了全球525种不同科属的鸟类，从猛禽到鸣禽，从水鸟到陆鸟，能够显著提升模型在复杂自然环境下的物种识别能力。

应用场景

该数据集非常适用于以下场景与研究方向：

生态监测与保护
自动识别和统计特定区域内的鸟类种类与数量，辅助生态保护工作和迁徙路线研究。

观鸟爱好者工具
开发手机APP或相机插件，帮助用户现场拍摄并快速识别所见鸟类。

生物多样性调查
支持科研人员在野外自动记录物种信息，提高数据采集效率和准确性。

自然教育与科普
用于博物馆、学校、自然保护区的互动展示系统，增强公众对鸟类的认知。

农业害虫防控
监测农田周边有益鸟类（如捕食昆虫的莺类）的活动，评估其生态价值。

智慧林业管理
通过无人机或固定摄像头监控林区鸟类分布，评估生态系统健康状况。

数据样本展示

以下展示部分数据集内的样本图片：
在这里插入图片描述

数据集包含多种真实自然环境下的图像：

多样栖息地：森林、湿地、草原、山地、城市公园等不同生态环境多角度拍摄：正面、侧面、飞行姿态、觅食状态等动态视角光照变化：日出、正午、黄昏、阴天等多种光线条件个体差异：成鸟、幼鸟、雄性、雌性、不同季节羽色的变化高分辨率：清晰呈现羽毛纹理、喙部形状、眼部特征等关键识别点

图像采集覆盖全球多个地理区域，数据多样性优秀，特别适合训练鲁棒性强的鸟类物种识别模型。

使用建议

数据预处理优化

统一图像尺寸（推荐224x224或384x384）应用标准化归一化（如ImageNet均值方差）对背景复杂的图像可进行前景分割或注意力机制强化

模型训练策略

使用迁移学习，在ImageNet预训练模型基础上微调采用交叉验证确保模型泛化能力对形态相似的近缘物种（如“BLACK THROATED WARBLER”与“BLACK-THROATED SPARROW”）进行重点强化

实际部署考虑

边缘设备优化：使用轻量级模型（如MobileNetV3）部署于智能手机或手持观鸟设备实时推理速度：优化模型以满足现场拍摄即识别的需求低功耗设计：适配电池供电或嵌入式设备运行环境

应用场景适配

移动端部署：支持智能手机现场拍摄识别，提供物种信息与叫声播放云端API服务：提供批量上传与分析接口，服务于科研机构或环保组织相机集成：与自动触发相机系统结合，实现无人值守的鸟类监测

性能监控与改进

建立不同光照、背景、遮挡下的准确率基准测试收集误分类样本（如“BLUE GROSBEAK”与“BLUE GROUSE”混淆）进行模型强化定期更新数据集以涵盖更多稀有物种或新发现的亚种

数据集特色

高质量标注：由鸟类学家和专业摄影师参与定义并审核物种标签物种覆盖广：完整涵盖全球主要鸟类科属，学术价值高图像质量优：大量专业摄影级高清图像，细节丰富技术兼容性：支持主流深度学习框架和部署平台持续更新：计划增加更多地区特有种和濒危物种数据

商业价值

该数据集在以下商业领域具有重要价值：

自然科技公司：开发智能观鸟APP和在线识别平台生态咨询公司：自动化生物多样性调查和环境影响评估教育科技企业：打造沉浸式自然教育产品和课程内容旅游与户外装备厂商：集成到智能望远镜或户外导航设备中

技术标签

计算机视觉图像分类鸟类识别生物多样性生态保护深度学习机器学习观鸟助手自然教育边缘计算

注意: 本数据集适用于研究、教育和商业用途。在实际应用中，建议结合专业的鸟类学知识对模型输出进行校验，并考虑光照、遮挡、距离等现实因素对识别精度的影响。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选） python -m venv yolov8_env source yolov8_env/bin/activate # Windows 用户使用 yolov8_envScriptsactivate

bash

123

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

bash

2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

plaintext

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/

plaintext

1234567 2.3 创建 data.yaml 配置文件

path: ./datasets train: images/train val: images/val nc: 11 names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

yaml

123456

3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train model=yolov8s.pt data=./data.yaml imgsz=640 epochs=50 batch=16 project=weed_detection name=yolov8s_crop_weed

bash

12345678 参数类型默认值说明model字符串-指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）data字符串-数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义imgsz整数640输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）epochs整数100训练总轮次，50 表示整个数据集会被迭代 50 次batch整数16每个批次的样本数量，值越大需要越多显存project字符串-项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下name字符串-实验名称，用于在项目目录下创建子文件夹存放本次训练结果关键参数补充说明：

model=yolov8s.pt

使用预训练的 YOLOv8 small 版本（平衡速度与精度）可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

data=./data.yaml

# 典型 data.yaml 结构示例 path: ../datasets/weeds train: images/train val: images/val names: 0: Bent_Insulator 1: Broken_Insulator_Cap 2: ... 3: ...

yaml

123456789

4. 模型验证与测试

4.1 验证模型性能

yolo detect val model=runs/detect/yolov8s_crop_weed/weights/best.pt data=./data.yaml

bash

123 参数类型必需说明model字符串是要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）data字符串是与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义关键参数详解

model=runs/detect/yolov8s_crop_weed/weights/best.pt

使用训练过程中在验证集表现最好的模型权重（best.pt）替代选项：last.pt（最终epoch的权重）路径结构说明：

runs/detect/ └── [训练任务名称]/ └── weights/ ├── best.pt # 验证指标最优的模型 └── last.pt # 最后一个epoch的模型 12345

data=./data.yaml

必须与训练时使用的配置文件一致确保验证集路径正确：

val: images/val # 验证集图片路径 names: 0: crop 1: weed

yaml

1234 常用可选参数参数示例值作用batch16验证时的批次大小imgsz640输入图像尺寸（需与训练一致）conf0.25置信度阈值（0-1）iou0.7NMS的IoU阈值device0/cpu选择计算设备save_jsonTrue保存结果为JSON文件典型输出指标

Class Images Instances P R mAP50 mAP50-95 all 100 752 0.891 0.867 0.904 0.672 crop 100 412 0.912 0.901 0.927 0.701 weed 100 340 0.870 0.833 0.881 0.643

text

1234 4.2 推理测试图像

yolo detect predict model=runs/detect/yolov8s_crop_weed/weights/best.pt source=./datasets/images/val save=True

bash

1234

5. 自定义推理脚本（Python）

from ultralytics import YOLO import cv2 # 加载模型 model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt') # 推理图像 results = model('test.jpg') # 可视化并保存结果 results[0].show() results[0].save(filename='result.jpg')

python

运行

123456789101112

6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

Web API：可用 Flask/FastAPI 搭建检测接口。

边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

bash

总结流程

阶段内容✅ 环境配置安装 ultralytics, PyTorch 等依赖✅ 数据准备标注图片、组织数据集结构、配置 YAML✅ 模型训练使用命令行开始训练 YOLOv8 模型✅ 验证评估检查模型准确率、mAP 等性能指标✅ 推理测试运行模型检测实际图像目标✅ 高级部署导出模型，部署到 Web 或边缘设备

鸟类物种识别数据集

已发布目标检测数据集合集（持续更新）