Una orientación consistente de los brotes de jengibre al sembrar jengibre es más propicia para altos rendimientos y una cosecha posterior. Sin embargo, la siembra actual de jengibre se basa principalmente en métodos manuales, lo que dificulta seriamente el desarrollo de la industria del jengibre. Los sembradores de jengibre existentes aún requieren asistencia manual para colocar las semillas de jengibre y lograr una orientación consistente de los brotes de jengibre. Para abordar el problema de que los sembradores de jengibre existentes tienen dificultades para automatizar la siembra y garantizar una orientación consistente de los brotes de jengibre, este estudio aplica técnicas de detección de objetos en aprendizaje profundo a la detección de jengibre y propone una red de reconocimiento de jengibre basada en YOLOv4-LITE, que, primero, utiliza MobileNetv2 como la red principal del modelo y, segundo, agrega atención a las coordenadas a MobileNetv2 y utiliza la convolución Do-Conv para reemplazar parte de la convolución tradicional. Después de completar la predicción de jengibre y brotes de jengibre, este artículo determina la orientación de los brotes de jengibre calculando las posiciones relativas del brote de jengibre más grande y el jengibre. La precisión promedio, los parámetros y los giga Flops de YOLOv4-LITE propuestos en el conjunto de pruebas alcanzaron el 98.73%, 47.99 M y 8.74, respectivamente. Los resultados experimentales muestran que YOLOv4-LITE logró la detección de semillas de jengibre y el cálculo de la orientación de los brotes de jengibre, y que proporciona una garantía técnica para la siembra automatizada de jengibre.