Los comportamientos diarios de los yaks, incluyendo la alimentación, estar de pie, acostarse y caminar, están estrechamente relacionados con su estado de salud, lo que hace que el reconocimiento preciso de comportamientos sea esencial para el monitoreo y la gestión inteligente en la cría de yaks. Sin embargo, los entornos de pastoreo del mundo real presentan desafíos significativos debido a fondos complejos, oclusiones, objetivos pequeños o lejanos y alta similitud visual entre las categorías de comportamiento. Para abordar estos problemas, proponemos un marco de reconocimiento de comportamiento impulsado por problemas y a múltiples escalas basado en una arquitectura mejorada de YOLOv11n, diseñada específicamente para el monitoreo de yaks al aire libre. Se construye un conjunto de datos del mundo real dedicado para capturar cuatro comportamientos fundamentales en diversas condiciones naturales. Basado en este conjunto de datos, desarrollamos el modelo DPAP-YOLOv11n, que incorpora Convolución Dinámica para la modulación adaptativa de características y Convolución en forma de rueda (PConv) para una representación espacial de alta precisión. Además, se introduce una cabeza de entrenamiento auxiliar YOLOv7-Aux para fortalecer el aprendizaje de características intermedias, y se adopta una función de pérdida Focal-PIoU para mejorar la robustez contra muestras difíciles o ambiguas. Los resultados experimentales muestran que DPAP-YOLOv11n supera al modelo base YOLOv11n, logrando mejoras del 2.4% en mAP@50 y del 2.8% en mAP@50-95. Estos hallazgos demuestran el potencial práctico del enfoque propuesto para el reconocimiento de comportamientos de yaks en tiempo real y con alta precisión en entornos de campo complejos.