La identificación precisa y rápida de las enfermedades del arroz es crucial para mejorar los rendimientos de arroz. Sin embargo, esta tarea enfrenta varios desafíos: (1) Problema de fondo complejo: El fondo de arroz en un entorno natural es complejo, lo que interfiere con el reconocimiento de enfermedades del arroz; (2) Problema de irregularidad en la región de la enfermedad: Algunas enfermedades del arroz presentan formas irregulares y sus regiones objetivo son pequeñas, lo que las hace difíciles de detectar; (3) Problema de clasificación y localización: El reconocimiento de enfermedades del arroz emplea características idénticas para las tareas de clasificación y localización, lo que afecta el efecto de entrenamiento. Para abordar los problemas mencionados, se propone un modelo mejorado de reconocimiento de enfermedades del arroz que aprovecha el YOLOv7-Tiny mejorado. Específicamente, para reducir la interferencia del fondo complejo, se ha mejorado la red principal del modelo YOLOv7-Tiny incorporando el Módulo de Atención de Bloque Convolucional (CBAM); posteriormente, para abordar el problema de irregularidad en la región de la enfermedad, se ha introducido el módulo de cuello de botella RepGhost, que se basa en técnicas de reparametrización estructural; Finalmente, para resolver el problema de clasificación y localización, se ha propuesto una cabeza desacoplada ligera YOLOX. Los resultados experimentales han demostrado que: (1) El modelo mejorado YOLOv7-Tiny mostró puntajes F1 elevados y mAP@.5, logrando 0.894 y 0.922, respectivamente, en el conjunto de datos de plagas y enfermedades del arroz. Estos puntajes superaron el rendimiento del modelo YOLOv7-Tiny original en márgenes de 3.1 y 2.2 puntos porcentuales, respectivamente. (2) En comparación con los modelos YOLOv3-Tiny, YOLOv4-Tiny, YOLOv5-S, YOLOX-S y YOLOv7-Tiny, el modelo mejorado YOLOv7-Tiny logró puntajes F1 y mAP@.5 más altos. El modelo YOLOv7-Tiny mejorado cuenta con un tiempo de inferencia de imagen única de 26.4 ms, satisfaciendo el requisito para la identificación en tiempo real de enfermedades del arroz y facilitando su despliegue en dispositivos integrados.