En la agricultura y silvicultura, la detección de plagas es fundamental para aumentar los rendimientos de los cultivos y reducir las pérdidas económicas. Sin embargo, los modelos tradicionales de aprendizaje profundo enfrentan desafíos en entornos con recursos limitados, como la falta de precisión, la lentitud en la velocidad de inferencia y el gran tamaño de los modelos, lo que dificulta su aplicación práctica. Para abordar estos problemas, este estudio propone un modelo mejorado YOLOv7-tiny diseñado para ofrecer soluciones eficientes, precisas y ligeras en la detección de plagas. Las principales mejoras son las siguientes: 1. Diseño de Red Ligera: La red principal se optimiza mediante la integración de GhostNet y Convolución Consciente de la Región Dinámica (DRConv) para mejorar la eficiencia computacional. 2. Mejora en el Compartir de Características: La introducción de una Red de Compartir de Características en Capas Cruzadas (CotNet Transformer) fortalece la fusión de características y las capacidades de extracción. 3. Optimización de la Función de Activación: La función de activación ReLU tradicional se reemplaza por la Unidad Lineal de Error Gaussiano (GELU) para mejorar la expresión no lineal y el rendimiento de clasificación. Los resultados experimentales demuestran que el modelo mejorado supera a YOLOv7-tiny en precisión, velocidad de inferencia y tamaño del modelo, logrando un MAP@0.5 del 92.8%, reduciendo el tiempo de inferencia a 4.0 milisegundos y minimizando el tamaño del modelo a solo 4.8 MB. Además, en comparación con algoritmos como Faster R-CNN, SSD y RetinaNet, el modelo mejorado ofrece un rendimiento de detección superior. En conclusión, el mejorado YOLOv7-tiny proporciona una solución eficiente y práctica para la detección inteligente de plagas en la agricultura y silvicultura.