Lograr una detección rápida y precisa de las enfermedades de las hojas de manzana en el entorno natural es esencial para el crecimiento de las plantas de manzana y el desarrollo de la industria de la manzana. En los últimos años, el aprendizaje profundo ha sido ampliamente estudiado y aplicado a la detección de enfermedades de las hojas de manzana. Sin embargo, las redes existentes tienen demasiados parámetros para ser desplegadas fácilmente o carecen de investigación sobre enfermedades de las hojas en fondos complejos para ser utilizadas de manera efectiva en entornos agrícolas reales. Este estudio propone una nueva red de aprendizaje profundo, YOLOX-ASSANano, que es un modelo ligero en tiempo real mejorado para la detección de enfermedades de las hojas de manzana basado en YOLOX-Nano. Mejoramos la columna vertebral YOLOX-Nano utilizando un ShuffleBlock asimétrico diseñado, un módulo CSP-SA y una convolución separable de plano (BSConv), que mejoran significativamente la capacidad de extracción de características y aumentan el rendimiento de detección. Además, construimos un conjunto de datos de enfermedades de las hojas de manzana multi-escena (MSALDD) para experimentos. Los resultados experimentales muestran que el modelo YOLOX-ASSANano con solo 0.83 MB de parámetros logra un 91.08% de mAP en MSALDD y un 58.85% de mAP en el conjunto de datos público PlantDoc con una velocidad de 122 FPS. Este estudio indica que YOLOX-ASSANano proporciona una solución factible para el diagnóstico en tiempo real de enfermedades de las hojas de manzana en escenas naturales, y podría ser útil para la detección de otras enfermedades de plantas.