La presencia de materiales no relacionados con el tabaco puede comprometer significativamente la calidad del tabaco. Para detectar con precisión materiales no relacionados con el tabaco, este estudio presenta un modelo de detección ligero y en tiempo real derivado del marco YOLOv11, llamado LRNTRM-YOLO. Inicialmente, debido a la precisión subóptima en la detección de materiales diminutos no relacionados con el tabaco, el modelo se mejoró incorporando una capa adicional dedicada a mejorar la detección de objetivos pequeños, mejorando así la precisión general. Además, se incorporó un mecanismo de atención en la red principal para centrarse en las características de los objetivos de detección, mejorando así la eficacia de detección del modelo. Simultáneamente, para la introducción de la función de pérdida SIoU, se utilizó el vector angular entre las regresiones de las cajas delimitadoras para definir la función de pérdida, mejorando así la eficiencia de entrenamiento del modelo. Tras estas mejoras, se empleó una técnica de poda de canales para optimizar la red, lo que no solo redujo la cantidad de parámetros, sino que también aceleró el proceso de inferencia, produciendo un modelo más compacto para la detección de materiales no relacionados con el tabaco. Los resultados experimentales en el conjunto de datos NTRM indican que el modelo LRNTRM-YOLO logró una precisión media promedio (mAP) del 92.9%, superando al modelo base en un 4.8%. Además, hubo una reducción del 68.3% en los parámetros y una disminución del 15.9% en las operaciones de punto flotante en comparación con el modelo base. El análisis comparativo con modelos destacados confirmó la superioridad del modelo propuesto en términos de su arquitectura ligera, alta precisión y capacidades en tiempo real, ofreciendo así una solución innovadora y práctica para detectar materiales no relacionados con el tabaco en el futuro.