La rápida propagación tiene un impacto amenazante en el medio acuático. Para la mayoría de las pequeñas áreas de agua con buena ecología, el monitoreo manual diario y la recuperación requieren considerables recursos financieros y materiales. Los barcos no tripulados tienen una importante significación práctica para el monitoreo y la limpieza automáticos. Para asegurar que el objetivo pueda ser detectado con precisión, resolvemos los problemas que existen en el algoritmo del modelo ligero, como la baja precisión y el pobre efecto de detección en objetivos con características pequeñas o poco claras. Tomando como modelo base la versión 6.0 de YOLOV5m, dado el límite computacional de la detección en tiempo real, este artículo propone utilizar EfficientNet-Lite0 como columna vertebral, usar la función ELU como función de activación, modificar el modo de agrupamiento en SPPF, incrustar el mecanismo de atención SA y añadir el módulo RFB en la red de fusión de características para mejorar la capacidad de extracción de características de todo el modelo. El conjunto de datos recopiló imágenes de jacinto de agua de estanques y lagos en Guangxi, Yunnan y la Biblioteca de Imágenes de Plantas de China. Los resultados de la prueba muestran que el eficiente YOLOV5 alcanzó un mAP del 87.6%, que fue un 7.1% más alto que el de YOLOV5s, y el tiempo medio de detección fue de 62 FPS. El experimento de ablación verifica la efectividad de cada módulo de eficiente YOLOV5, y su precisión de detección y parámetros del modelo cumplen con los requisitos de detección en tiempo real del barco de limpieza no tripulado.