La orientación consistente de los brotes de jengibre ayuda a garantizar una emergencia constante del jengibre y cumplir con los requisitos de sombreado. YOLO v3 se utiliza para reconocer imágenes de jengibre en respuesta a la dificultad actual del sembrador de jengibre para cumplir con los problemas agronómicos mencionados anteriormente. Sin embargo, no es adecuado para su aplicación directa en dispositivos de computación de borde debido a su alto costo computacional. Para hacer que la red sea más compacta y abordar los problemas de baja precisión de detección y largo tiempo de inferencia, este estudio propone un modelo mejorado de YOLO v3, en el que se podan algunos canales redundantes y capas de red para lograr la determinación en tiempo real de brotes y semillas de jengibre. Los resultados de las pruebas mostraron que el modelo podado redujo su tamaño en un 87.2% y mejoró la velocidad de detección en un 85%. Mientras tanto, su precisión media alcanzó el 98.0% para brotes y semillas de jengibre, solo un 0.1% menos que el modelo antes de la poda. Además, después de implementar el modelo en el Jetson Nano, los resultados de las pruebas mostraron que su precisión era del 97.94%, la precisión de reconocimiento podría alcanzar el 96.7% y la velocidad de detección podría alcanzar los 20 cuadros por segundo. Los resultados mostraron que el método propuesto era factible para la detección en tiempo real y precisa de imágenes de jengibre, proporcionando una base sólida para la siembra automática y precisa de jengibre.