Durante el proceso de identificación y conteo de nueces utilizando UAVs en áreas montañosas, las complejas condiciones de iluminación en la superficie de las nueces afectan en cierta medida la efectividad de detección de los modelos de aprendizaje profundo. Para abordar este problema, propusimos un método de reconocimiento de pequeños objetos de nueces ligero llamado w-YOLO. Reconstruimos la red de extracción de características y la red de fusión de características del modelo para reducir el volumen y la complejidad del modelo. Además, para mejorar la precisión de reconocimiento de objetos de nuez bajo condiciones de iluminación complejas, adoptamos una capa de detección de mecanismo de atención y rediseñamos un conjunto de cabezas de detección más adecuado para pequeños objetos de nueces. Una serie de experimentos mostraron que al identificar objetos de nuez en imágenes de teledetección de UAV, w-YOLO supera a otros modelos de detección de objetos convencionales, logrando una Precisión Promedio (mAP0.5) del 97% y un puntaje F1 del 92%, con parámetros reducidos en un 52.3% en comparación con el modelo YOLOv8s. Abordó de manera efectiva la identificación de objetivos de nuez en Yunnan, China, bajo la influencia de condiciones de iluminación complejas.