Las especies de plantas invasoras representan importantes amenazas para la biodiversidad y los ecosistemas. La identificación en tiempo real de plantas invasoras es un requisito crucial para la prevención temprana y oportuna. Aunque el aprendizaje profundo ha demostrado resultados prometedores en el reconocimiento de plantas, el uso de modelos de aprendizaje profundo a menudo implica un gran número de parámetros y altos requisitos de datos para el entrenamiento. Desafortunadamente, los datos disponibles para varias especies de plantas invasoras suelen ser limitados. Para abordar este desafío, este estudio propone un modelo de aprendizaje profundo ligero llamado IPMCNet para la identificación de múltiples especies de plantas invasoras. IPMCNet logra una alta precisión de reconocimiento incluso con datos limitados y exhibe una fuerte generalización. Al mismo tiempo, mediante el empleo de núcleos convolucionales separables en profundidad, la división de canales y la eliminación de capas completamente conectadas, el conteo de parámetros del modelo es menor que el de algunos modelos ligeros existentes. Además, el estudio explora el impacto de diferentes funciones de pérdida y la inserción de diversos módulos de atención en la precisión del modelo. Los resultados experimentales revelan que, en comparación con otros ocho modelos de redes neuronales existentes, IPMCNet logra la mayor precisión de clasificación del 94.52%. Además, los hallazgos sugieren que la pérdida focal es la función de pérdida más efectiva. El rendimiento de los seis módulos de atención es subóptimo, y su inserción conduce a una disminución en la precisión del modelo.