Las uvas son un cultivo importante que contribuye al rápido desarrollo de la economía agrícola. La cosecha de frutas maduras es uno de los pasos cruciales en el proceso de producción de uvas. Sin embargo, en la actualidad, los métodos de recolección son principalmente manuales, lo que resulta en tiempo perdido y altos costos. Por lo tanto, es particularmente importante implementar la recolección inteligente de uvas, en la que la detección precisa de los tallos de uva es un paso clave para lograr una cosecha inteligente. En este estudio, se propuso un modelo de detección de tallos de uva en enrejado, YOLOv8n-GP, combinando el módulo de atención SENetV2 y el operador de aumento CARAFE con YOLOv8n-pose. Específicamente, este estudio primero incrustó el módulo de atención SENetV2 en la parte inferior de la red de base para mejorar la capacidad del modelo de extraer información clave de características. Luego, utilizamos el operador de aumento CARAFE para reemplazar los módulos de aumento en la red de cuello, expandiendo el campo sensorial del modelo sin aumentar sus parámetros. Finalmente, para validar el rendimiento de detección de YOLOv8n-GP, examinamos la efectividad de los diversos modelos de detección de puntos clave construidos con YOLOv8n-pose, YOLOv5-pose, YOLOv7-pose y YOLOv7-Tiny-pose. Los resultados experimentales muestran que la precisión, recall, mAP y mAP-kp de YOLOv8n-GP alcanzaron el 91,6%, 91,3%, 97,1% y 95,4%, respectivamente, mejorando en un 3,7%, 3,6%, 4,6% y 4,0%, respectivamente, en comparación con YOLOv8n-pose. Además, YOLOv8n-GP muestra un rendimiento de detección superior en comparación con los otros modelos de detección de puntos clave en términos de cada indicador de evaluación. Los resultados experimentales demuestran que YOLOv8n-GP puede detectar los tallos de uva en enrejado de manera eficiente y precisa, proporcionando soporte técnico para avanzar en la cosecha inteligente de uvas.