El maíz (L.), un cultivo alimentario vital a nivel mundial, depende de su estructura estomática para regular la fotosíntesis y responder a la sequía. Los métodos convencionales de detección manual de estomas son ineficientes, subjetivos e inadecuados para la investigación de fenotipado de plantas de alto rendimiento. Para abordar esto, recopilamos un conjunto de datos de más de 1500 imágenes de estomas epidérmicos de hojas de maíz y desarrollamos un nuevo modelo de detección ligero, StomaYOLO, diseñado para objetivos estomáticos pequeños y características sutiles en imágenes microscópicas. Aprovechando el marco YOLOv11, StomaYOLO integra la capa de Detección de Objetos Pequeños P2, el módulo de convolución dinámica y explota características de células epidérmicas a gran escala para mejorar el reconocimiento estomático a través de un entrenamiento auxiliar. Nuestro modelo logró una notable precisión media promedio (mAP) del 91.8% y una precisión del 98.5%, superando numerosos modelos de detección convencionales mientras mantenía la eficiencia computacional. Los análisis de ablación y comparativos demostraron que la capa de Detección de Objetos Pequeños, el módulo de convolución dinámica, el entrenamiento multitarea y las estrategias de destilación de conocimiento mejoraron sustancialmente el rendimiento de detección. La integración de las cuatro estrategias produjo una mejora de casi el 9% en mAP en comparación con el modelo base, con una complejidad computacional inferior a 8.4 GFLOPS. Nuestros hallazgos subrayan las capacidades de detección superiores de StomaYOLO en comparación con los métodos existentes, ofreciendo una solución rentable que es adecuada para su implementación práctica. Este estudio presenta una herramienta valiosa para el fenotipado estomático del maíz, apoyando los avances en la mejora de cultivos y la agricultura inteligente.