En respuesta a la baja precisión y la lenta velocidad de detección del reconocimiento de chiles en entornos naturales, este estudio propone un método de detección de objetos de chile basado en el YOLOv8n mejorado. Se realizaron evaluaciones entre YOLOv5n, YOLOv6n, YOLOv7-tiny, YOLOv8n, YOLOv9 y YOLOv10 para seleccionar el modelo óptimo. Se eligió YOLOv8n como base y se mejoró de la siguiente manera: (1) Reemplazando la columna vertebral de YOLOv8 con el modelo mejorado HGNetV2 para reducir las operaciones de punto flotante y la carga computacional durante la convolución. (2) Integrando el SEAM (módulo de atención espacialmente mejorado) en la cabeza de detección de YOLOv8 para mejorar la capacidad de extracción de características bajo la oclusión de los frutos de chile. (3) Optimizando la fusión de características utilizando el módulo de bloque de reparametrización dilatada en ciertos C2f (cuello de botella CSP con dos convoluciones). (4) Sustituyendo el operador de upsampling tradicional por el operador de upsampling CARAFE (reensamblaje de características consciente del contenido) para mejorar aún más la capacidad de fusión de características de la red y mejorar el rendimiento de detección. En un conjunto de datos de chile construido a medida, las métricas F, mAP y mAP mejoraron en 1.98, 2 y 5.2 puntos porcentuales, respectivamente, sobre el modelo original, alcanzando 96.47%, 96.3% y 79.4%. El modelo mejorado redujo el número de parámetros y GFLOPs en un 29.5% y un 28.4% respectivamente, con un tamaño final del modelo de 4.6 MB. Por lo tanto, este método mejora efectivamente la detección de objetivos de chile, proporcionando una base técnica para los procesos de cosecha inteligente de chiles.