Con el rápido desarrollo de la inteligencia artificial y las tecnologías de aprendizaje profundo, sus aplicaciones en el campo de la agricultura, particularmente en la detección de enfermedades de las plantas, se han vuelto cada vez más extensas. Este estudio se centra en la detección de enfermedades del tomate con alta precisión, lo cual es de suma importancia para los beneficios económicos agrícolas y la seguridad alimentaria. Para lograr este objetivo, se construyó primero un conjunto de datos de imágenes de enfermedades del tomate y se propuso un modelo NanoSegmenter basado en la estructura Transformer. Además, se introdujeron tecnologías ligeras, como la técnica de embotellamiento invertido, la cuantización y el mecanismo de atención dispersa, para optimizar el rendimiento y la eficiencia computacional del modelo. Los resultados experimentales demostraron un excelente rendimiento del modelo en tareas de detección de enfermedades del tomate, logrando una precisión de 0.98, un recall de 0.97 y un mIoU de 0.95, mientras que la eficiencia computacional alcanzó una velocidad de inferencia de 37 FPS. En resumen, este estudio proporciona una solución efectiva para la detección de enfermedades del tomate con alta precisión y ofrece ideas y referencias para futuras investigaciones.