Debido a la baja precisión de detección de defectos en la superficie de acero y a las limitaciones de recursos de hardware limitados, proponemos un modelo mejorado para la detección de defectos en la superficie de acero, llamado CBiF-FC-EFC-YOLOv8s (CFE-YOLOv8s), que incluye módulos CBS-BiFormer (CBiF), módulos Faster-C2f (FC) y módulos EMA-Faster-C2f (EFC). En primer lugar, debido a la posible pérdida de información que las redes neuronales convolucionales (CNN) pueden encontrar al tratar con objetivos en miniatura, el CBiF combina CNN con Transformer para optimizar características locales y globales. En segundo lugar, para abordar la mayor complejidad computacional causada por el uso extensivo de capas convolucionales, el FC utiliza el bloque FasterNet para reducir cálculos redundantes y el acceso a la memoria. Por último, el EMA se incorpora al FC para diseñar el módulo EFC y mejorar la capacidad de fusión de características, asegurando al mismo tiempo la ligereza del modelo. CFE-YOLOv8s logra valores de mAP@0.5 del 77,8% y 69,5% en los conjuntos de datos NEU-DET y GC10-DET, respectivamente, lo que representa mejoras del 3,1% y 2,8% sobre YOLOv8s, con reducciones del 22% y 18% en los parámetros del modelo y FLOPS. El CFE-YOLOv8s demuestra un rendimiento general y un equilibrio superiores en comparación con otros modelos avanzados.