Para mitigar problemas relacionados con manchas de tamaño pequeño en hojas de manzana y las dificultades asociadas con la detección precisa de objetivos de manchas exacerbadas por los complejos fondos de huertos, esta investigación utilizó manchas de hojas de manzana como objeto de investigación, como manchas de alternaria, óxido, manchas marrones, manchas grises y manchas de ojo de rana, y propuso el uso de un modelo de detección de alta precisión YOLOv5-Res (YOLOv5-Resblock) y un modelo de detección ligero YOLOv5-Res4 (YOLOv5-Resblock-C4). En primer lugar, se diseñó un módulo de extracción de características multinivel, ResBlock (bloque residual), combinando la estructura de múltiples ramas de Inception y la idea residual de ResNet. En segundo lugar, se diseñó un módulo de fusión de características ligero C4 (bloque CSP con cuatro convoluciones) para reducir el número de parámetros del modelo mientras se mejora la capacidad de detección de objetivos pequeños. Finalmente, se propuso una estrategia de optimización de parámetros basada en una arquitectura de modelo optimizada. Los resultados experimentales muestran que el rendimiento del modelo YOLOv5-Res y del modelo YOLOv5-Res4 mejora significativamente, con los valores de mAP0.5 aumentando en un 2.8% y 2.2% en comparación con el modelo YOLOv5s y el modelo YOLOv5n, respectivamente. Los tamaños del modelo YOLOv5-Res y del modelo YOLOv5-Res4 son solo de 10.8 MB y 2.4 MB, y el recuento de parámetros del modelo se reduce en un 22% y 38.3% en comparación con el modelo YOLOv5s y el modelo YOLOv5n.