La detección e identificación en tiempo real de plagas en huertos está relacionada con la economía de la industria de los huertos. Utilizando colecciones de imágenes de laboratorio y fotos obtenidas mediante rastreo web, se ha creado un conjunto de datos de plagas comunes en huertos. Contiene 24,748 imágenes en color y abarca siete tipos de plagas de huertos. Basado en este conjunto de datos, este artículo combina YOLOv5 y GhostNet y explica los beneficios de este método utilizando mapas de características, mapas de calor y curvas de pérdida. Los resultados muestran que el mAP del método propuesto aumenta en un 1.5% en comparación con el YOLOv5 original, con 2x o 3x menos parámetros, menos GFLOPs y el mismo tiempo de detección o menos. Considerando los menores parámetros de la convolución Ghost, nuestro nuevo método puede alcanzar un mAP más alto con las mismas épocas. Redes neuronales más pequeñas son más viables para desplegar en FPGAs y otros dispositivos embebidos que tienen memoria limitada. Esta investigación proporciona un método para desplegar el algoritmo en dispositivos embebidos.