En el cultivo de plántulas de arroz híbrido, la estimación rápida de la densidad de plántulas es de gran importancia para la clasificación del cultivo de plántulas. Esta investigación presenta un modelo YOLOv8 mejorado para estimar la densidad de plántulas en la etapa de hoja de aguja. En primer lugar, se utilizó la tecnología de marco auxiliar para abordar el problema de localizar el área de detección de plántulas. En segundo lugar, las capas de Convolución Estándar (SConv) en la red de cuello fueron reemplazadas por la capa de Convolución de Grupo Shuffle (GSConv) para aligerar el modelo. Se añadió un módulo de cabeza dinámica a la red de cabeza para mejorar la capacidad del modelo de identificar plántulas. La función de pérdida CIoU fue reemplazada por la función de pérdida EIoU, mejorando la velocidad de convergencia del modelo. Los resultados mostraron que el modelo mejorado logró una precisión promedio del 96.4%; los parámetros y cálculos de punto flotante (FLOPs) fueron 7.2 M y 2.4 G. En comparación con el modelo original, los parámetros y FLOPs se redujeron en 0.9 M y 0.6 G, y la precisión promedio se mejoró en un 1.9%. En comparación con modelos de última generación como YOLOv7, entre otros, el YOLOv8 mejorado logró un rendimiento integral preferido. Finalmente, se desarrolló un sistema de estimación rápida para la densidad de plántulas de arroz híbrido utilizando un teléfono inteligente y el YOLOv8 mejorado. El tiempo promedio de inferencia para cada imagen fue de 8.5 ms, y el error relativo promedio de detección fue del 4.98%. El sistema de estimación rápida logró una detección portátil en tiempo real de la densidad de plántulas, brindando soporte técnico para la clasificación del cultivo de plántulas de arroz híbrido.