A medida que la industria de cría de ciervos sika florece a gran escala, evaluar con precisión la salud de estos animales es de suma importancia. La implementación del reconocimiento de postura a través de la detección de objetivos sirve como un método vital para monitorear el bienestar de los ciervos sika. Este enfoque permite una comprensión más matizada de su condición física, asegurando que la industria pueda mantener altos estándares de bienestar animal y productividad. Con el fin de lograr un monitoreo remoto de los ciervos sika sin interferir con el comportamiento natural de los animales, y para mejorar el bienestar animal, este documento propone un algoritmo de detección de reconocimiento de postura individual de ciervos sika GFI-YOLOv8 basado en YOLOv8. En primer lugar, este documento propone añadir el módulo de fusión de características de atención iterativa iAFF al C2f del módulo de red de fondo, reemplazar el módulo SPPF original por el módulo AIFI, y utilizar el mecanismo de atención para ajustar el canal de características de manera adaptativa. Esto tiene como objetivo mejorar la granularidad, mejorar el reconocimiento del modelo y aumentar la comprensión del comportamiento de los ciervos sika en escenas complejas. En segundo lugar, se introduce un nuevo módulo de red neuronal convolucional para mejorar la eficiencia y precisión de la extracción de características, mientras se preserva la profundidad y diversidad del modelo. Además, se propone un nuevo módulo de mecanismo de atención para expandir el campo receptivo y simplificar el modelo. Además, se presentan una nueva red piramidal y un módulo de cabeza de detección optimizado para mejorar el reconocimiento e interpretación de las posturas de los ciervos sika en entornos intrincados. Los resultados experimentales demuestran que el modelo logra un 91.6% de precisión en el reconocimiento de la postura de los ciervos sika, con una mejora del 6% en precisión y un aumento del 4.6% en mAP50 en comparación con YOLOv8n. En comparación con otros modelos de la serie YOLO, como YOLOv5n, YOLOv7-tiny, YOLOv8n, YOLOv8s, YOLOv9 y YOLOv10, este modelo exhibe una mayor precisión, y mejoras en los valores de mAP50 y mAP50-95. El rendimiento general es encomiable, cumpliendo con los requisitos para la identificación precisa y rápida de la postura de los ciervos sika. Este modelo resulta beneficioso para el monitoreo preciso y en tiempo real de la postura de los ciervos sika en entornos de cría complejos y bajo condiciones climáticas adversas.