Este estudio aborda el desafío de segmentar hojas y lesiones de fresa en fondos naturales, lo cual es crucial para una evaluación precisa de la gravedad de enfermedades y dosificación automatizada. Enfocándonos en el oídio de la fresa, proponemos un método de segmentación mejorado basado en YOLOv8 para la detección de hojas y lesiones. Cuatro modelos de segmentación de instancias (SOLOv2, YOLACT, YOLOv7-seg y YOLOv8-seg) fueron comparados, utilizando YOLOv8-seg como referencia. Para mejorar el rendimiento, se integraron módulos SCDown y PSA en la estructura principal para reducir la redundancia, disminuir la carga computacional y mejorar la detección de objetos pequeños y fondos complejos. En el cuello, el módulo C2f fue reemplazado por el módulo C2fCIB, y se incorporó el mecanismo de atención SimAM para mejorar la diferenciación de objetivos y reducir la interferencia de ruido. La función de pérdida combinó CIOU con MPDIOU para mejorar la adaptabilidad en escenarios desafiantes. Experimentos de ablación demostraron una precisión de segmentación del 92%, una recuperación del 85.2% y una precisión media promedio (mAP) del 90.4%, superando la referencia YOLOv8-seg en un 4%, 2.9% y 4%, respectivamente. En comparación con SOLOv2, YOLACT y YOLOv7-seg, la mAP del modelo mejorado aumentó en un 14.8%, 5.8% y 3.9%, respectivamente. El modelo mejorado reduce las detecciones perdidas y mejora la localización de objetivos, brindando apoyo teórico para aplicaciones posteriores en la gestión de enfermedades inteligente y basada en dosis.