Para mejorar la eficiencia de la recolección automática de tomates cherry en la agricultura de precisión, se propuso un algoritmo YOLOv8n mejorado para un reconocimiento rápido y preciso en entornos naturales. Los avances son los siguientes: primero, el módulo de muestreo descendente ADown reemplaza parte de la convolución estándar de la estructura de red original, lo que permite al modelo capturar características de imagen de nivel superior para una detección de objetivo más precisa, al mismo tiempo que reduce la complejidad del modelo al reducir el número de parámetros. En segundo lugar, el cuello del modelo adopta un Slim-Neck (GSConv+VoV-GSCSP) en lugar de la convolución tradicional con C2f. Reemplaza esta combinación con el más eficiente CSConv y cambia el módulo C2f por VoV-GSCSP. Finalmente, el modelo también introduce el mecanismo de atención EMA, implementado en la capa P5, que mejora la capacidad de representación de características, permitiendo que la red extraiga características de objetivo detalladas de manera más precisa. Este estudio entrenó el algoritmo de detección de objetos en un conjunto de datos de tomates cherry autoconstruido antes y después de la mejora y lo comparó con modelos tempranos de aprendizaje profundo y algoritmos de la serie YOLO. Los resultados experimentales muestran que el modelo mejorado aumenta la precisión en un 3.18%, la recuperación en un 1.43%, el puntaje F1 en un 2.30%, el mAP50 en un 1.57% y el mAP50-95 en un 1.37%. Además, el número de parámetros se reduce a 2.52 M y el tamaño del modelo se reduce a 5.08 MB, lo que supera a otros modelos relacionados en comparación con la versión anterior. El experimento demuestra el amplio potencial de la tecnología para sistemas integrados y dispositivos móviles. El modelo mejorado ofrece soporte eficiente y preciso para la recolección automatizada de tomates cherry.