La aplicación de la tecnología de detección de objetos tiene un papel auxiliar positivo en el avance de la inteligencia del reconocimiento de aves y en la mejora de la conveniencia de las encuestas de campo sobre aves. Sin embargo, surgen desafíos debido a la ausencia de conjuntos de datos dedicados a aves y de estándares de evaluación. Para abordar esto, no solo hemos construido el conjunto de datos de detección de objetos de aves más grande conocido, sino que también hemos comparado el rendimiento de ocho modelos de detección principales en tareas de detección de objetos de aves y propuesto enfoques viables para la ligereza de los modelos en la detección de objetos de aves. Nuestro conjunto de datos de detección de aves GBDD1433-2023 incluye 1433 especies de aves comúnmente encontradas en todo el mundo y 148,000 imágenes de aves anotadas manualmente. Basado en este conjunto de datos, modelos de detección de dos etapas como Faster R-CNN y Cascade R-CNN demostraron un rendimiento superior, logrando una Precisión Media Promedio (MAP) del 73.7% en comparación con los modelos de una etapa. Además, en comparación con los modelos de detección de objetos de una etapa, los modelos de detección de objetos de dos etapas tienen una mayor robustez ante variaciones en la escala de la imagen del primer plano y la interferencia del fondo en las imágenes de aves. En tareas de conteo de aves, la precisión osciló entre el 60.8% y el 77.2% para hasta cinco aves en una imagen, pero esto disminuyó drásticamente más allá de ese conteo, sugiriendo limitaciones de los modelos de detección de objetos en tareas de conteo de múltiples aves. Finalmente, propusimos un método de destilación de localización adaptativa para modelos de detección de objetos ligeros de una etapa que son adecuados para el despliegue fuera de línea, lo que mejoró el rendimiento de los modelos relevantes. En general, nuestro trabajo proporciona un conjunto de datos enriquecido y pautas prácticas para seleccionar modelos de detección de aves adecuados.