El control ambiental basado en la etapa de crecimiento es fundamental para mejorar el rendimiento y la calidad de los cultivados industrialmente. Los desafíos como la complejidad de la escena y la superposición de grupos de setas pueden afectar la precisión de la detección de la etapa de crecimiento y la segmentación de objetivos. Este estudio presenta un método ligero llamado modelo de detección en tiempo real para las etapas de crecimiento (GSP-RTMDet). Se propuso una red rápida de agrupamiento piramidal espacial con atención simple sin parámetros (SPPF-SAM), que mejora la capacidad de la columna vertebral para extraer información clave de características. Además, cuenta con un mecanismo de atención interactivo entre dimensiones espaciales y de canal para construir una red de mejora parcial de grupos espaciales cruzados de etapa (CSP-SGE), mejorando la capacidad de fusión de características del cuello. El módulo de mejora de características adaptativas consciente de la clase (CARAFE) se utiliza para mejorar el rendimiento de la segmentación de instancias. Este estudio fusiona de forma innovadora los métodos mejorados, mejorando la representación de características y la precisión de las máscaras. Con un diseño de modelo ligero, logra la detección en tiempo real de la etapa de crecimiento y la segmentación precisa de instancias, sentando las bases de una estrategia de control ambiental. Las evaluaciones del modelo revelan que GSP-RTMDet-S logra un equilibrio óptimo entre precisión y velocidad, con una precisión promedio de caja delimitadora (bbox mAP) y una precisión promedio de segmentación (segm mAP) del 96.40% y 93.70% en el conjunto de pruebas, marcando mejoras del 2.20% y 1.70% sobre la línea base. Además, aumenta la velocidad de inferencia a 39.58 imágenes por segundo. Este método mejora los resultados de detección y segmentación en entornos del mundo real de casas, ofreciendo una solución de percepción de etapa de crecimiento más precisa y eficiente para el control ambiental.