La cosecha automatizada de kiwis depende de la implementación sin problemas de un modelo de detección y la detección precisa de los kiwis. Sin embargo, desafíos prácticos, como los recursos computacionales limitados en los robots de cosecha y las obstrucciones entre las frutas, obstaculizan la efectividad de la recolección automatizada. Para abordar estos problemas, este artículo presenta EDT-YOLOv8n, una arquitectura de red ligera y eficiente basada en YOLOv8n. El modelo propuesto integra el módulo de Convolución Bottleneck Invertido Móvil Efectivo (EMBC) para reemplazar los módulos C2f, mitigando la pérdida de información del canal y fortaleciendo la generalización. Además, el upsampler DySample, un upsampler dinámico ultraligero y efectivo, mejora la extracción de características y la eficiencia de los recursos en comparación con el upsampling tradicional de vecino más cercano. Además, se implementa un nuevo Head de Detección Dinámica de Alineación de Tareas (TADDH), que incorpora normalización de grupo para una estructura convolucional más eficiente y optimiza la alineación entre las tareas de clasificación y localización. Los resultados experimentales revelan que el modelo propuesto EDT-YOLOv8n logra una mayor precisión (86.1%), mAP0.5 (91.5%) y mAP0.5-0.95 (65.9%), al tiempo que reduce el número de parámetros, el número de operaciones de punto flotante y el tamaño del modelo en un 15.5%, 12.4% y 15.0%, respectivamente. Estas mejoras demuestran la efectividad y eficiencia del modelo en el soporte de la localización de kiwis y las tareas de cosecha automatizadas.