En la ganadería moderna, la agricultura digital inteligente se ha convertido en la clave para mejorar la eficiencia de producción. Este documento presenta un modelo basado en YOLOv8 mejorado, Reconocimiento de Comportamiento de Ganado-YOLO (CBR-YOLO), que tiene como objetivo identificar con precisión el comportamiento del ganado. No solo generamos una variedad de condiciones climáticas, sino que también introducimos tecnología de detección de múltiples objetivos para lograr un monitoreo integral del ganado y su estado. Introducimos la Pérdida Inner-MPDIoU y hemos diseñado de manera innovadora el módulo Pirámide Enfocada Multi-Convolucional para explorar y aprender en profundidad las características detalladas del ganado en diferentes estados. Mientras tanto, se propone el módulo Cabeza de Detección de Fusión de Características Multi-escala Ligera para aprovechar la convolución profunda, logrando una arquitectura de red ligera y reduciendo efectivamente la información redundante. Los resultados experimentales demuestran que nuestro método logra una precisión promedio del 90.2% con una reducción de 3.9 G de números de punto flotante, un aumento del 7.4%, significativamente mejor que 12 tipos de modelos de detección de objetos SOTA. Al implementar nuestro enfoque en computadoras de monitoreo en granjas, esperamos avanzar en el desarrollo de sistemas de monitoreo automatizado del ganado para mejorar el bienestar animal y la gestión de granjas.