Las infestaciones de plagas siempre han sido un factor importante que afecta la producción de té. La detección en tiempo real de plagas del té utilizando visión artificial es un método principal en el control de plagas agrícolas moderno. Actualmente, hay una notable ausencia de dispositivos de visión artificial capaces de monitorear en tiempo real plagas pequeñas de té en el mercado, y la escasez de conjuntos de datos de código abierto disponibles para la detección de plagas del té sigue siendo una limitación crítica. Este manuscrito propone un algoritmo de detección de plagas de té YOLOv8-FasterTea basado en aprendizaje por transferencia entre dominios, que se implementó con éxito en un nuevo dispositivo de monitoreo de plagas del té. El método propuesto aprovecha el aprendizaje por transferencia del dominio de caracteres de lenguaje natural al dominio de detección de plagas del té, denominado aprendizaje por transferencia entre dominios, que se basa en las características complejas y pequeñas compartidas por los caracteres de lenguaje natural y las plagas del té. Con suficientes muestras en el dominio de caracteres de lenguaje, el aprendizaje por transferencia puede mejorar efectivamente las capacidades de extracción de características pequeñas y complejas de las redes profundas en el dominio de plagas y mitigar el problema de aprendizaje de pocas muestras en la detección de plagas del té. Las características de información y textura de las pequeñas plagas del té tienen más probabilidades de perderse a medida que las capas de una red neuronal se vuelven más profundas. Por lo tanto, el método propuesto, YOLOv8-FasterTea, elimina la capa P5 y agrega una capa de detección de objetivos pequeños P2 basada en el modelo YOLOv8. Además, el módulo C2f original se reemplaza con módulos convolucionales más ligeros para reducir la pérdida de información sobre las pequeñas plagas objetivo. Finalmente, este manuscrito aplica con éxito el algoritmo al equipo de monitoreo de plagas al aire libre. Los resultados experimentales demuestran que, en un pequeño conjunto de datos de plagas de tablero amarillo, el valor de mAP@.5 del modelo aumentó aproximadamente en un 6%, en promedio, después del aprendizaje por transferencia. El modelo YOLOv8-FasterTea mejoró el valor de mAP@.5 en un 3.7%, mientras que el tamaño del modelo se redujo en un 46.6%.