El lichi es un cultivo económicamente importante con una gran popularidad. Sin embargo, las enfermedades del lichi impactan significativamente tanto en el rendimiento como en la calidad de la fruta de lichi. Los modelos existentes de detección de enfermedades del lichi enfrentan desafíos como tamaños de parámetros grandes, velocidades de procesamiento lentas y complejidades de implementación. Para abordar estos desafíos, este artículo propone una red mejorada y ligera, llamada YOLOv7-MGPC (YOLOv7-Mosaic-GhostNet-Pruning-CBAM), que permite la detección en tiempo real de enfermedades del lichi. En este estudio, recopilamos conjuntos de datos de enfermedades del lichi, que cubren cuatro tipos de enfermedades de hojas, y empleamos la técnica de aumento de datos Mosaic para el preprocesamiento de datos. Sobre la base del marco YOLOv7, reemplazamos la red principal original con la ligera GhostNetV1 y aplicamos la poda de canales para reducir efectivamente la sobrecarga de parámetros. Posteriormente, se incorporó un mecanismo de atención llamado CBAM para mejorar la precisión de detección. El modelo resultante se implementó en dispositivos periféricos (Nvidia Jetson Nano) para aplicaciones del mundo real. Nuestros experimentos mostraron que nuestra variante mejorada de YOLOv7 supera ampliamente al modelo original, logrando un aumento de velocidad de 120 fotogramas por segundo a 217 fotogramas por segundo manteniendo una precisión del 88.6%. Además, el tamaño de los parámetros se redujo sustancialmente de 36.5 M a 7.8 M, lo que demuestra firmemente la efectividad de nuestros métodos para permitir la implementación del modelo en dispositivos periféricos para la detección de enfermedades del lichi.