La clasificación precisa y eficiente de diversas piezas magnéticas durante la fabricación es vital. Sin embargo, surgen desafíos debido a las similitudes visuales entre los tipos, lo que requiere algoritmos complejos de visión por computadora con tamaños grandes y altas necesidades computacionales. Esto dificulta la implementación rentable en la industria, lo que resulta en el uso continuo de una clasificación manual ineficiente. Para abordar este problema, proponemos un enfoque innovador de detección de piezas magnéticas livianas que mejora la destilación del conocimiento para un modelo YOLOv5s comprimido. La incorporación de módulos de atención espacial en diferentes etapas de extracción de características de YOLOv5s durante el proceso de destilación del conocimiento puede mejorar la capacidad del modelo comprimido para aprender el conocimiento de las capas de extracción de características intermedias del modelo grande original en diferentes etapas. Combinando diferentes salidas para formar una salida multi-escala, la característica de salida multi-escala en el proceso de refinamiento del conocimiento mejora la capacidad del modelo comprimido para captar un conocimiento objetivo completo en las salidas. Los resultados experimentales en nuestro conjunto de datos de piezas magnéticas autoconstruido demuestran logros significativos: precisión promedio media de 0.988, discrepancia del 0.5% en comparación con la red del profesor y una reducción del tamaño del modelo del 85%. Además, se observa un aumento del 36.70% en la velocidad de inferencia para el análisis de imágenes individuales. La efectividad de nuestro método también se valida con los resultados del conjunto de datos de Pascal VOC, mostrando potencial para escenarios más amplios de detección de objetivos. Este enfoque ofrece una solución a los desafíos de detección de objetivos de piezas magnéticas y se espera que se expanda a otras aplicaciones.