La detección precisa y el conteo de flores aseguran la calidad de clasificación de las plantas ornamentales. En escenarios automatizados de clasificación de flores en macetas, la baja precisión de detección, las oclusiones y superposiciones impactan la precisión del conteo. Este estudio propuso un método de conteo que combina un algoritmo de aprendizaje profundo con múltiples puntos de vista. Primero, se desarrolló un modelo de detección de flores, PA-YOLO, basado en YOLOv5 mediante el diseño de una rama de detección de dos escalas, optimizando el número de cuellos de botella e integrando un marco de cabeza dinámico. A continuación, PA-YOLO se utilizó para detectar imágenes agrupadas de 360 grados de cada planta en maceta para determinar el número óptimo de puntos de vista para el conteo. Los resultados de detección indicaron que PA-YOLO logró una precisión media promedio (mAP) del 95.4% y una precisión promedio (AP) del 91.9% para flores ocultas en nuestro conjunto de datos de flores Phalaenopsis. Para el número óptimo de puntos de vista, la precisión promedio de conteo de brotes y flores fue mayor a tres puntos de vista, con puntajes de 96.25% y 93.33%, respectivamente. La precisión final de conteo alcanzó el 95.56% en pruebas de conteo de flores realizadas desde tres puntos de vista. Los resultados generales sugieren que el método propuesto puede detectar y contar efectivamente flores en entornos de superposición y oclusión complejos, brindando orientación para diseñar e implementar el componente de visión en un sistema automatizado de clasificación de flores en macetas.