La detección rápida y precisa de enfermedades foliares en el arroz es esencial para la predicción de rendimiento y la seguridad alimentaria. Este estudio propone un modelo de detección de enfermedades de hojas de arroz de varios tamaños, YOLOv7-tiny, para una detección rápida y precisa de enfermedades de hojas de arroz. El modelo de red ligera MobileNetV3 se introduce para reemplazar la red principal de YOLOv7-tiny, lo que reduce el tamaño de los parámetros del modelo y mejora la capacidad de extracción de características de diferentes tamaños; se utiliza RCS-OSA para reemplazar el módulo original ELAN-1, lo que mejora la capacidad de extracción de características entre capas; se diseña la cabeza del detector TSCODE para mejorar la capacidad de extracción del modelo para objetivos pequeños; y se utiliza la función de pérdida MPDIoU para mejorar la velocidad de convergencia y el efecto del modelo. Los resultados experimentales muestran que la precisión promedio de YOLOv7-TMRTM es del 97,9%, y en comparación con el modelo base YOLOv7-tiny, la precisión de detección de manchas en las hojas se mejora para diferentes tamaños y tipos de resultados de detección de objetivos pequeños, el modelo YOLOv7-TMRTM mejora mAP0.5 en un 4,4%, la recuperación en un 4,7% y la precisión en un 8,8% en comparación con YOLOv7-tiny. La comparación con Faster RCNN, SSD, YOLOv4, YOLOv5s, YOLOv8s y otros modelos de detección de objetivos principales muestra que este método resuelve en gran medida el entorno de campo. El problema de manchas pequeñas y bordes borrosos de enfermedades de arroz fotografiadas proporciona una base para la gestión inteligente de enfermedades en el campo, lo que a su vez promueve la seguridad alimentaria en China.