Las aceitunas son un cultivo leñoso crucial para la producción de aceite, cuya cosecha depende principalmente del trabajo manual, caracterizado por altos costos, baja eficiencia y desafíos para garantizar el momento óptimo de la cosecha. El desarrollo de un sistema automatizado de detección de madurez con alta precisión de reconocimiento es de suma importancia para avanzar en las tecnologías automatizadas de cosecha de aceitunas. Los métodos de detección tradicionales se ven limitados por su susceptibilidad a interferencias ambientales, su limitada robustez y sus capacidades de generalización inadecuadas. Al mismo tiempo, los modelos de detección basados en aprendizaje profundo existentes enfrentan problemas como la extracción insuficiente de características para objetivos pequeños y dificultades en su implementación debido a su necesidad de un gran número de parámetros. Para abordar estas limitaciones, este estudio propone un algoritmo ligero para la detección y clasificación de la madurez de las aceitunas basado en un marco YOLOv11n mejorado. El enfoque propuesto utiliza YOLOv11n como modelo base, reemplaza su red principal con EfficientNet-B0 e integra el mecanismo de Atención de Kernel a Gran Escala (LSKA) y la Red Piramidal de Características Bidireccionales (BiFPN). La validación experimental demostró que el modelo mejorado logró una precisión de detección comparable a la del modelo original, alcanzando una precisión promedio media (mAP) de 0.918. Además, el tamaño del modelo se redujo a 3.7 MB, una reducción del 39.3%, mientras que la complejidad computacional (GFLOPs) se redujo en 2.4 y el tiempo de inferencia por imagen se redujo en 0.2 ms. El modelo propuesto presenta ventajas significativas en términos de diseño ligero y eficiencia de detección mejorada, demostrando un potencial sustancial para su implementación práctica. Este estudio proporciona una referencia valiosa para el desarrollo de tecnologías automatizadas de cosecha de aceitunas.