Cuando la maquinaria agrícola no tripulada realiza operaciones autónomas en el campo, inevitablemente se encuentra con obstáculos como personas, ganado, postes y piedras. Por lo tanto, el reconocimiento preciso de obstáculos en el entorno del campo es una función esencial. Para garantizar la seguridad y mejorar la eficiencia operativa del equipo agrícola autónomo, este estudio propone un modelo de detección de obstáculos en el campo basado en YOLOv8 mejorado, aprovechando la información de profundidad obtenida de cámaras binoculares para una localización precisa de obstáculos. El modelo mejorado incorpora el módulo de Atención de Núcleo Separable Grande (LSKA) para mejorar la extracción de características de obstáculos en el campo. Además, el uso de un Bloque de Inception de Núcleo Poli (PKI) reduce el tamaño del modelo al tiempo que mejora la detección de obstáculos en varias escalas. También se agrega una cabeza de detección auxiliar para mejorar la precisión. La combinación del modelo mejorado con cámaras binoculares permite la detección de obstáculos y sus coordenadas tridimensionales. Los resultados experimentales demuestran que el modelo mejorado logra una precisión promedio media (mAP) del 91.8%, lo que representa una mejora del 3.4% sobre el modelo original, al tiempo que se reduce las operaciones de punto flotante a 7.9 G (Giga). El modelo mejorado presenta ventajas significativas en comparación con otros algoritmos. En pruebas de precisión de localización, el error promedio máximo y el error relativo en el rango de 2-10 m para la distancia entre la cámara y cinco tipos de obstáculos fueron de 0.16 m y 2.26%. Estos hallazgos confirman que el modelo diseñado cumple con los requisitos para la detección y localización de obstáculos en entornos de campo.