La detección temprana de enfermedades en las hojas de manzana es esencial para mejorar la eficiencia en la gestión de huertos y el rendimiento de los cultivos. Este estudio presenta LightYOLO-AppleLeafDx, un marco de detección ligero basado en un modelo mejorado de YOLOv8. Las mejoras clave incluyen la incorporación de los módulos Slim-Neck, SPD-Conv y SAHead, que optimizan la estructura del modelo para mejorar la precisión y el recall de la detección, al tiempo que reducen significativamente el número de parámetros y la complejidad computacional. Los estudios de ablación validan el impacto positivo de estos módulos en el rendimiento del modelo. El LightYOLO-AppleLeafDx final logra una precisión de 0.930, un mAP@0.5 de 0.965 y un mAP@0.5:0.95 de 0.587, superando al YOLOv8n original y otros modelos de referencia. El modelo es muy ligero, con un tamaño de solo 5.2 MB, y soporta detección en tiempo real a 107.2 fotogramas por segundo. Cuando se implementa en una plataforma de hardware RV1103 a través de un marco compatible con NPU, mantiene una velocidad de detección de 14.8 fotogramas por segundo, demostrando su aplicabilidad práctica. Estos resultados destacan el potencial de LightYOLO-AppleLeafDx como una solución eficiente y ligera para la agricultura de precisión, abordando la necesidad de una detección precisa y en tiempo real de enfermedades en las hojas de manzana.