El nudo del tallo de la soja es una parte clave del crecimiento y desarrollo de la soja, y sus números desempeñan un papel crucial en la formación del rendimiento de la soja. Los métodos manuales tradicionales son intensivos en mano de obra y propensos a errores. El método de detección de keypoints es una opción ideal para la detección de nodos de tallo debido a su alta precisión y amplia aplicabilidad. En este estudio, se propuso un nuevo método de aprendizaje profundo, You Only Look Once _Soybean Stalk Pose (YOLO_SSP), que aplicó de manera innovadora el módulo Small_Effective Low-Level Aggregation Network (S_ELAN) y lo fusionó con una cabeza de detección más pequeña para detectar nodos de tallo en sojas maduras. Después de la optimización y la iteración, el modelo logró una precisión del 88.1% en el conjunto de datos. Posteriormente, al ablacionar el modelo, se descubrió que diferentes mejoras fueron efectivas para aumentar la precisión del modelo. Además, al comparar la serie clásica YOLO de modelos de detección de keypoints, los resultados muestran que YOLO_SSP logró hasta un 87.7% de APs, lo que fue mayor que YOLOv7-w6-pose, YOLOv7-tiny-pose, YOLOv3s-pose, YOLOv5n-pose, YOLOv5s-pose, YOLOv5m-pose, YOLOv6n-pose, YOLOv8n-pose y YOLOv10b-pose, que fueron un 2.5%, 12.8%, 5.3%, 3.8%, 3.5%, 3.5%, 5.1%, 5.1%, 5.0% y 4.5% más altos, respectivamente. Finalmente, el modelo propuesto se aplicó al conjunto de datos único con una precisión del 85.3% y una precisión del 82.6%, y la visualización de los resultados de detección del modelo demostró su aplicabilidad y universalidad. Este estudio proporciona una estrategia efectiva para la detección de nodos de tallo de soja y mejora significativamente la precisión de la detección.