La detección y el conteo de árboles son partes importantes de la estimación del rendimiento de . La capacidad de identificar y contar árboles rápidamente siempre ha sido importante en el contexto de la investigación sobre la estimación del rendimiento de . Debido a su entorno de crecimiento específico, es una tarea difícil identificar y contar árboles con alta eficiencia. En este artículo, basado en una imagen RGB de UAV, se diseñaron tres tipos diferentes de conjuntos de datos, es decir, un conjunto de datos DOM, un conjunto de datos de imagen original y un conjunto de datos de imagen original recortada. Combinado con el modelo YOLOv8, se realizó la detección y el conteo de árboles. Al comparar YOLOv9 y YOLOv10 en cuatro índices de evaluación, incluyendo precisión, recall, mAP y puntaje F1, se seleccionaron árboles en dos áreas para la predicción y se compararon con los valores reales. Los resultados experimentales muestran que el conjunto de datos de imagen original recortada fue mejor para el reconocimiento y conteo de árboles, y los valores de mAP fueron un 8% y un 11% más altos que los del conjunto de datos DOM y el conjunto de datos de imagen original, respectivamente. En comparación con YOLOv5, YOLOv7, YOLOv9 y YOLOv10, YOLOv8 tuvo un mejor rendimiento en términos de precisión y tasa de recall, y el mAP mejoró en un 3-8%, alcanzando 0.82. Se realizó un análisis de regresión en los valores predichos y medidos, y la R promedio alcanzó 0.94. Esta investigación muestra que una imagen RGB de UAV combinada con YOLOv8 proporciona una solución efectiva para la detección y el conteo de árboles, lo cual es de gran importancia para la estimación del rendimiento y la gestión de huertos.