Este estudio presenta un modelo mejorado de detección de malezas, ADL-YOLOv8, diseñado para mejorar la precisión de detección de objetivos pequeños al tiempo que logra un modelo más ligero. Aborda el desafío de lograr tanto alta precisión como bajo uso de memoria en el equipo actual de desmalezado inteligente. Al superar este problema, la investigación no solo reduce los costos de hardware de equipos automatizados de eliminación de impurezas, sino que también mejora la precisión de reconocimiento de software, contribuyendo a la reducción del uso de pesticidas y a la promoción de la agricultura sostenible. El modelo ADL-YOLOv8 incorpora una red AKConv más ligera para un mejor procesamiento de características específicas, un módulo de aumento de muestras DySample ultraligero para mejorar la precisión y eficiencia, y el mecanismo de atención LSKA-Attention para una detección mejorada, especialmente de objetivos pequeños. En el mismo conjunto de datos, ADL-YOLOv8 demostró un aumento del 2,2% en la precisión, un aumento del 2,45% en la recuperación, un aumento del 3,07% en mAP@0.5 y una mejora del 1,9% en mAP@0.95. El tamaño del modelo se redujo en un 15,77% y su complejidad computacional se redujo en un 10,98%. Estos hallazgos indican que ADL-YOLOv8 no solo supera al modelo original YOLOv8n, sino que también supera a los nuevos YOLOv9t y YOLOv10n en rendimiento general. El modelo de algoritmo mejorado reduce el costo de hardware requerido para terminales integrados.