En respuesta a los problemas de detección perdida, falsos positivos y bajas tasas de reconocimiento para especies específicas de malezas durante la detección de malezas, se propone un algoritmo mejorado de detección de malezas basado en YOLOv8 llamado EDS-YOLOv8. Se realizaron mejoras en tres aspectos principales. Primero, la red principal YOLOv8 se mejoró con arquitecturas EfficientViT y RepViT para mejorar la capacidad de detección de malezas densas. En segundo lugar, se agregaron diferentes mecanismos de atención, como SimAM y EMA, para aprender pesos 3D y lograr una fusión completa de características. Se introdujo BiFormer para atención dispersa dinámica y asignación de recursos. En tercer lugar, la mejora significativa del módulo implicó la introducción de convolución de serpiente dinámica en el módulo C2f para mejorar aún más las capacidades de detección de objetos deformables, especialmente malezas en forma de aguja. El modelo mejorado se validó en el conjunto de datos de malezas establecido. Los resultados muestran que combinar la red principal original con convoluciones de serpiente dinámicas produce la mayor mejora de rendimiento. La precisión, recall, mAP (0.5) y mAP (0.5:0.95) mejoran en un 5,6%, 5,8%, 6,4% y 1%, respectivamente, y los experimentos de ablación sobre los efectos de los tres métodos de mejora en el rendimiento del modelo muestran que usar EfficientViT como red principal mientras se mejora simultáneamente el módulo crucial y se agrega el mecanismo de atención SimAM mejora efectivamente el rendimiento del modelo. La precisión, recall, mAP (0.5) y mAP (0.5:0.95) mejoran en un 6%, 5,9%, 6,4% y 0,7%, respectivamente.