El desarrollo de la economía agrícola se ve obstaculizado por diversos problemas relacionados con plagas. La mayoría de los estudios de detección de plagas se centran solo en una categoría de plagas, lo cual no es adecuado para escenarios de aplicación práctica. Este documento presenta un algoritmo de aprendizaje profundo basado en YOLOv5, que tiene como objetivo ayudar a los trabajadores agrícolas a diagnosticar eficientemente información relacionada con 102 tipos de plagas. Para lograr esto, proponemos un nuevo módulo convolucional ligero llamado C3M, inspirado en la red MobileNetV3. En comparación con el módulo convolucional original C3, C3M ocupa menos memoria de cómputo y resulta en una velocidad de inferencia más rápida, con una precisión de detección mejorada en un 4.6%. Además, se introduce el Mecanismo de Atención Global (GAM) en el cuello de YOLO5, lo que mejora aún más la capacidad de detección del modelo. Los resultados experimentales indican que el algoritmo C3M-YOLO tiene un mejor rendimiento que YOLOv5 en IP102, un conjunto de datos público que consta de 102 plagas. Específicamente, la precisión de detección P es un 2.4% más alta que la del modelo original, y el mAP aumentó un 1.7%, mientras que el puntaje F1 mejoró un 1.8%. Además, el mAP y el mAP del algoritmo C3M-YOLO son más altos que los del modelo de detección YOLOX en un 5.1% y 6.2%, respectivamente.