La enfermedad del marchitamiento del pino (PWD) es una de las enfermedades más destructivas para los pinos, causando un efecto significativo en los recursos ecológicos. La identificación de árboles infectados por PWD es un enfoque efectivo para el control de la enfermedad. Sin embargo, los efectos de entornos complejos y las características multiescala de los árboles afectados por PWD obstaculizan el rendimiento de la detección. Para abordar estos problemas, este estudio propone un modelo de detección basado en PWD-YOLOv8 utilizando imágenes aéreas. En particular, se combinan los mecanismos de atención por coordenadas (CA) y el módulo de atención de bloque convolucional (CBAM) con YOLOv8 para mejorar la extracción de características. La estructura de red de pirámide de características bidireccional (BiFPN) se utiliza para fortalecer la fusión de características y la capacidad de reconocimiento para árboles enfermos de pequeña escala. Mientras tanto, se emplean la estructura ligera FasterBlock y el mecanismo de atención multiescala eficiente (EMA) para optimizar el módulo C2f. Además, se introduce la función de pérdida Inner-SIoU para mejorar sin problemas la precisión del modelo y reducir las tasas de omisión. El experimento mostró que el algoritmo propuesto PWD-YOLOv8n superó a los modelos de detección de objetivos convencionales en el conjunto de validación (mAP@0.5 = 94.3%, precisión = 87.9%, recuperación = 87.0%, tasa de omisión = 6.6%; tamaño del modelo = 4.8 MB). Por lo tanto, el modelo PWD-YOLOv8n propuesto demuestra una superioridad significativa en la detección de árboles enfermos. No solo mejora la eficiencia y precisión de la detección, sino que también proporciona un importante apoyo técnico para el control y prevención de enfermedades forestales.