Para mejorar la supervivencia y gestión de los lechones antes del destete, es necesario lograr una detección y conteo precisos y en tiempo real en las parideras. Sin embargo, la frecuente oclusión de los lechones, los comportamientos sociales y los fondos desordenados dificultan esta tarea, especialmente al utilizar modelos ligeros en entornos con recursos limitados. En este estudio, proponemos un modelo de detección de lechones mejorado basado en YOLOv8n. El modelo reemplaza el módulo de columna vertebral original con un módulo de Atención Piramidal Espacial Multiescala (MSPA); introduce un mecanismo mejorado de Reunir y Distribuir (GD) en el cuello; y optimiza la cabeza de detección y la estrategia de asignación de muestras. Los resultados experimentales muestran que, en comparación con el YOLOv8n base, nuestro modelo reduce los parámetros, las operaciones de punto flotante y el tamaño del modelo en un 58.45%, 46.91% y 56.45%, respectivamente, mientras aumenta la precisión de detección en un 2.6% y reduce el error de conteo en un 4.41%. Además, el modelo se implementó con éxito en una Raspberry Pi 4B, logrando una velocidad de inferencia promedio de menos de 87 ms por imagen. Estos resultados demuestran que el método propuesto logra tanto alta precisión como un rendimiento ligero, proporcionando una solución práctica para la agricultura porcina inteligente.