鸟类分类模型

这是一个围绕鸟类识别整理的项目仓库，目标是把“鸟类分类模型从本地推理到网页展示”的基本流程整理清楚，便于教学、演示和后续扩展。

这个仓库后续会用于摄影课程相关教学，因此文档会尽量面向初学者来写。即使读者之前没有系统接触过 Python、深度学习推理、ONNX 或浏览器端模型部署，也可以按照文档一步一步完成环境准备、命令行预测测试、ONNX 导出和网页端预测体验。

当前进展

已完成

从当前阶段来看，仓库重点放在“推理侧”的整理与验证上，目前已经完成的内容主要包括：

• 如何准备运行环境
• 如何用现有模型做一次命令行预测
• 为什么需要把 PyTorch 模型导出成 ONNX
• 如何在浏览器里直接完成图片预测
• 基于 PyTorch 的本地预测脚本
• 鸟类信息表导出脚本
• PyTorch 到 ONNX 的导出脚本
• 基于静态网页和 ONNX Runtime Web 的浏览器端推理演示页面

未完成

目前还没有完成的部分，主要集中在“训练侧”，包括：

• 准备和整理训练数据
• 编写或整理模型训练脚本
• 编写或整理模型微调脚本

也就是说，当前版本更适合作为“鸟类分类推理演示与部署入门仓库”来使用；而完整的数据准备、训练和微调流程，还需要在后续继续补充。

如果你是第一次接触本项目，推荐按下面顺序阅读：

1. Step1_准备环境.md
2. Step2_模型预测测试.md
3. Step3_Pytorch导出ONNX.md
4. Step4_静态网页服务.md

可以把这 4 份文档理解为一条完整的入门路径：

• Step1 先解决“环境怎么装”
• Step2 再验证“模型能不能在本地跑起来”
• Step3 解释“为什么网页预测前必须先导出 ONNX”
• Step4 最后体验“浏览器上传图片并完成预测”

项目结构

.
├─ data/
├─ db/
├─ models/
├─ notes/
├─ scripts/
└─ web/

• data/：存放测试图片等输入数据。
• db/：存放 SQLite 鸟类信息库和导出的 bird_info.csv。
• models/：存放 PyTorch 权重文件和导出的 ONNX 模型文件。
• notes/：存放项目文档，包括环境准备、模型预测测试、ONNX 导出、静态网页服务等说明。
• scripts/：存放 Python 脚本，例如命令行预测、鸟类信息导出、ONNX 导出。
• web/：存放静态网页推理演示所需的前端文件和 ONNX Runtime Web 依赖。

致谢

• SQLite 鸟类信息数据来源：https://github.com/jamesphotography/SuperPicky
• 模型来源：https://github.com/sun-jiao/osea

作者

厚朴【HOPE】工作室：13-陈健文

说明

本项目目前的大部分文档整理、说明撰写与部分实现工作，主要基于 Vibe Coding 方式，并结合 Codex、GPT-5.4 和 ChatGPT 协助完成。由于相关内容仍可能存在理解偏差、表述疏漏、配置遗漏或技术性错误，因此本文档与代码仅作为课程教学、学习交流与项目整理参考，不保证绝对准确或适用于所有环境。

如果你在使用过程中发现错漏、歧义或需要修正的地方，欢迎联系作者反馈。

License

MIT