Con el avance de la visión por computadora y el desarrollo de vehículos aéreos no tripulados (VANT), los VANT se han utilizado ampliamente en la investigación de recursos forestales y la extracción de características de los árboles. En el campo de la medición del ancho de la copa, el uso de métodos de medición manual tradicionales es lento y costoso, y se ve afectado por factores como el terreno y el clima. Aunque el método de extracción del ancho de la copa basado en la segmentación de imágenes de VANT que ha ganado popularidad recientemente extrae una gran cantidad de información, consume mucho tiempo en el establecimiento del conjunto de datos y la segmentación. Este artículo propone un modelo mejorado de YOLOv7 diseñado para extraer con precisión el ancho de la copa de Metasequoia glyptostroboides. Esta especie se distingue por sus yemas terminales bien desarrolladas y su morfología de tronco central distintiva. Tomando el bosque de M. glyptostroboides en el Parque Nacional Forestal del Lago Qingshan en el distrito de Lin"an, ciudad de Hangzhou, provincia de Zhejiang, China, como el área de muestra objetivo, se mejoró YOLOv7 utilizando el modelo de atención sin parámetros (SimAM) y módulos SIoU. Se demostró experimentalmente que el módulo de atención SimAM es capaz de reducir la atención a otra información irrelevante en el proceso de entrenamiento y mejorar la precisión del modelo. El módulo SIoU puede mejorar la ajustabilidad entre el marco de detección y el borde de la copa objetivo durante el proceso de detección y mejorar efectivamente la precisión de la medición del ancho de la copa. Los resultados experimentales revelan que el modelo mejorado alcanza un 94.34% de mAP@0.5 en la tarea de detección de copas, lo que es un 5% más alto que el logrado por el modelo original. En la medición del ancho de la copa, el R2 del modelo mejorado alcanza 0.837, que es 0.151 más alto que el del modelo original, verificando así la efectividad del algoritmo mejorado.