La detección de pseudotallos de plátano es una parte indispensable de la gestión inteligente del cultivo de plátano, que se puede utilizar en ajustes como el conteo de pseudotallos de plátano y la fertilización inteligente. En entornos complejos, los pseudotallos de plátano densos y ocultos representan un desafío significativo para la detección. Este artículo propone un algoritmo de detección de objetos YOLOV7 de aprendizaje profundo mejorado, YOLOV7-FM, para detectar pseudotallos de plátano con diferentes condiciones de crecimiento. En la parte de optimización de pérdidas del modelo YOLOV7, se introduce la pérdida focal, para optimizar el entrenamiento problemático de pseudotallos de plátano que son densos y protegidos, con el fin de mejorar la tasa de reconocimiento de muestras desafiantes. En la parte de aumento de datos del modelo YOLOV7, se utiliza el aumento de datos Mixup, para mejorar la capacidad de generalización del modelo para pseudotallos de plátano con características similares a entornos complejos. Este artículo compara la AP (precisión promedio) y la velocidad de inferencia del algoritmo YOLOV7-FM con los algoritmos YOLOX, YOLOV5, YOLOV3 y Faster R-CNN. Los resultados muestran que la AP y la velocidad de inferencia del algoritmo YOLOV7-FM son más altas que las de los modelos comparados, con un tiempo promedio de inferencia de 8.0 ms por imagen que contiene pseudotallos de plátano y una AP del 81.45%. Este modelo mejorado YOLOV7-FM puede lograr una detección rápida y precisa de pseudotallos de plátano.