En los últimos años, los detectores de objetos sin anclaje se han vuelto predominantes en el aprendizaje profundo, el modelo YOLOv8 como detector de objetos en tiempo real basado en marcos sin anclaje es universal e influyente, detecta eficientemente objetos en múltiples escalas. Sin embargo, el rendimiento de generalización del modelo es deficiente y la fusión de características dentro del módulo neck depende en exceso de su diseño estructural y del tamaño del conjunto de datos, siendo particularmente difícil localizar y detectar objetos pequeños. Para abordar estos problemas, proponemos el detector de objetos FL-YOLOv8, que se mejora basado en YOLOv8. En primer lugar, introducimos el módulo FSDI en el neck, mejorando la información semántica en todas las capas e incorporando características detalladas ricas a través de conexiones directas de salto de capa. Este módulo integra información tanto de alto nivel como de bajo nivel para mejorar la precisión y eficiencia de la detección de imágenes. Mientras tanto, se optimizó y diseñó la estructura del modelo, y se construyó el módulo LSCD en la cabeza de detección; adoptando una cabeza de detección convolucional compartida ligera se reduce el número de parámetros y la computación del modelo en un 19% y 10%, respectivamente. Nuestro modelo logra un rendimiento integral del 45,5% en el conjunto de datos generalizado COCO, superando el punto de referencia en 0,8 puntos porcentuales. Para validar aún más la efectividad del método, también se realizaron experimentos en datos de sedimento de orina de dominio específico (FCUS22), y los resultados en la detección de categorías también justifican mejor el algoritmo de detección de objetos FL-YOLOv8.