La detección de enfermedades del té (L.) en condiciones de campo complejas enfrenta desafíos significativos debido a la escasez de datos etiquetados. Mientras que los algoritmos de aprendizaje profundo visual actuales dependen de conjuntos de datos curados a gran escala. Para abordar esto, proponemos una nueva red de detección de extremo a extremo de pocos disparos llamada MAF-MixNet que logra una detección robusta con datos de anotación mínimos. La red supera eficazmente el cuello de botella de la extracción de características insuficientes bajo muestras limitadas de métodos existentes, a través del diseño de una rama de atención mixta (MA-Branch) y un módulo de fusión de características de múltiples caminos (MAFM). La primera extrae características contextuales, mientras que la última combina y mejora las características locales y globales. Todo el modelo utiliza un paradigma de dos etapas para preentrenar en conjuntos de datos públicos y ajustar finamente en conjuntos de datos de subconjuntos equilibrados, incluyendo nuevas clases de enfermedades del té, antracnosis y mancha marrón. Experimentos comparativos con seis modelos en cuatro métricas de evaluación verificaron el avance de nuestro modelo. Con 5 disparos, MAF-MixNet logra puntuaciones de 62.0%, 60.1% y 65.9% en precisión, nAP50 y puntuación F1, respectivamente, superando significativamente a otros modelos. Una superioridad similar se logra en el escenario de 10 disparos, donde nAP50 es 73.8%. Nuestro modelo mantiene una cierta eficiencia computacional y logra la segunda velocidad de inferencia más rápida a 11.63 FPS, lo que lo hace viable para el despliegue en el mundo real. Los resultados confirman el potencial de MAF-MixNet para permitir un monitoreo de enfermedades inteligente y rentable en la agricultura de precisión.