一、代码功能:
检测任务：基于 YOLOv11 的鸟类识别实时检测
检测类别：支持 36 类（中英文对照）：Acadian_Flycatcher（绿纹捕蝇雀） / American_Crow（美洲乌鸦） / American_Goldfinch（金翅雀） / American_Pipit（琵琶鸟） / American_Redstart（红尾鸲） / American_Three_toed_Woodpecker（三趾啄木鸟） / Anna_Hummingbird（朱红蜂鸟） / Artic_Tern（亚热带燕鸥） / Baird_Sparrow（贝氏草雀） / Baltimore_Oriole（巴尔的摩金莺） / Bank_Swallow（灰沙燕） / Barn_Swallow（家燕） / Bay_breasted_Warbler（湾胸莺） / Belted_Kingfisher（带翠鸟） / Bewick_Wren（布威克鹪鹩） / Black_Tern（黑燕鸥） / Black_and_white_Warbler（黑白林莺） / Black_billed_Cuckoo（黑喙杜鹃） / Black_capped_Vireo（黑顶莺雀） / Black_footed_Albatross（黑足信天翁） / Black_throated_Blue_Warbler（黑喉蓝林莺） / Black_throated_Sparrow（黑喉麻雀） / Blue_Grosbeak（蓝蜡嘴鸟） / Blue_Jay（冠蓝鸦） / Blue_headed_Vireo（蓝头莺雀） / Blue_winged_Warbler（蓝翅虫森莺） / Boat_tailed_Grackle（宽尾拟八哥） / Bobolink（食米鸟） / Bohemian_Waxwing（太平鸟） / Brandt_Cormorant（加州鸬鹚） / Brewer_Blackbird（蓝头黑鹂） / Brewer_Sparrow（布氏麻雀） / Bronzed_Cowbird（铜色牛鹂） / Brown_Creeper（金冠戴菊鸟） / Brown_Pelican（褐鹈鹕） / Brown_Thrasher（褐鸫）
数据集总量：内置 2545 张鸟类标注数据集
数据集划分：训练集 1697 张，验证集 424 张，测试集 424 张
输入方式：支持图片、视频、浏览器摄像头三种输入源，浏览器端实时显示检测框与置信度
系统架构：采用 Flask + Flask-SocketIO 后端推理，配套 HTML / CSS / JS Web 界面，支持一键启动可视化演示
结果输出：检测结果支持 CSV 导出，支持保存带框图片 / 视频，支持写入 SQLite 数据库存档
用户功能：有登录注册界面，也可以不启用登录注册
权重管理：支持在线上传与切换 YOLO 模型权重，方便对比不同版本效果
二、详细教程:
原理介绍博客: [Gitee项目](https://gitee.com/deeppython/TomatoRipenessDet)
环境配置博客教程: （1）[Pycharm以及Anaconda安装](https://deepcode.blog.csdn.net/article/details/136639378)；（2）[Python环境配置教程](https://deepcode.blog.csdn.net/article/details/136639396)；
注意事项：版权所有，禁止盗卖或用于商业化用途。
