En las tareas de identificación de enfermedades en hojas de tomate, el alto costo y consumo de los métodos de reconocimiento basados en aprendizaje profundo afectan su implementación y aplicación en dispositivos integrados. En este estudio, se diseña un método mejorado de identificación de enfermedades en hojas de tomate basado en YOLOX. Para abordar el problema del desequilibrio de muestras positivas y negativas, se propone la función de pérdida de entropía cruzada adaptativa de muestra () como pérdida de confianza, y se emplea MobileNetV3 en lugar del esqueleto YOLOX para la extracción de características del modelo ligero. Al introducir CBAM (Módulo de Atención de Bloque Convolucional) entre el esqueleto YOLOX y la red de cuello, se mejora el rendimiento de extracción de características del modelo. Se utiliza CycleGAN para mejorar los datos de muestras de hojas de tomate enfermas en el conjunto de datos PlantVillage, resolviendo el problema de un número desequilibrado de muestras. Después de la mejora de datos, experimentos de simulación y pruebas de campo revelaron que la precisión de YOLOX mejoró en un 1,27%, brindando una mejor detección de muestras de enfermedades en hojas de tomate en entornos complejos. En comparación con el modelo original, el modelo YOLOX mejorado ocupa un 35,34% menos de memoria, la velocidad de detección del modelo aumenta en un 50,20% y la precisión de detección mejora en un 1,46%. El modelo de red mejorado es cuantificado por TensorRT y funciona a 11,1 FPS en el dispositivo integrado Jetson Nano. Este método puede proporcionar una solución eficiente para el sistema de identificación de enfermedades en hojas de tomate.