La cría de aves de corral enfrenta problemas de ineficiencia y control de enfermedades, mientras que los sistemas de monitoreo inteligente existentes requieren grandes cantidades de datos etiquetados para detectar nuevos tipos, limitando su uso práctico. Para abordar esto, desarrollamos SSNFNet, un método que funciona eficazmente con solo unas pocas imágenes de entrenamiento, facilitando su adaptación a diferentes granjas. Nuestro enfoque mejora la detección en entornos concurridos donde las aves a menudo se superponen, y funciona bien incluso con nuevas especies. Entrenamos el modelo principalmente con patos y luego utilizamos un pequeño número de imágenes de pollos para enseñarle a reconocerlos, demostrando su capacidad para aprender rápidamente. También lo probamos con peces de colores para confirmar su flexibilidad. Los resultados muestran que nuestro método supera a los sistemas de detección estándar y a otros modelos de aprendizaje de pocos ejemplos en un 3.93%. Las mejoras clave incluyen la Minimización Consciente de la Nitidez (SAM), que estabiliza el entrenamiento con datos limitados, y Soft-NMS, que reduce errores al detectar aves en grupos densos. Esta tecnología ayuda a los agricultores a monitorear las aves de corral de manera más precisa con menos esfuerzo manual, haciendo que la agricultura inteligente sea más accesible, especialmente donde la recolección de grandes conjuntos de datos es difícil. Al mejorar la eficiencia y reducir la dependencia de un etiquetado extenso, nuestro método apoya una cría de aves de corral sostenible y rentable.