La detección de malezas está estrechamente relacionada con la producción agrícola, pero a menudo enfrenta problemas de sombreado de hojas y recursos computacionales limitados. Por lo tanto, este estudio propone un algoritmo mejorado de detección de malezas basado en YOLOv8. En primer lugar, se diseña el Bloque de Integración de Características Dilatadas para mejorar la extracción de características en la red principal mediante la introducción de convolución de núcleo grande y convolución de dilatación multi-escala, que utiliza información de diferentes escalas y niveles. En segundo lugar, para resolver el problema de un gran número de parámetros en el proceso de fusión de características de la Red Piramidal de Características de Agregación de Ruta, se diseña una nueva arquitectura de fusión de características, la red de interacción de características multi-escala, que logra que la información semántica de alto nivel guíe la información semántica de bajo nivel a través del mecanismo de atención. Finalmente, proponemos una Cabeza de Agregación de Características Dinámicas para resolver el problema de que la cabeza de detección YOLOv8 no puede enfocarse dinámicamente en características importantes. Experimentos exhaustivos en dos conjuntos de datos públicos muestran que el modelo propuesto supera al modelo de referencia, con un aumento del mAP y mAP del 4,7% y 5,0%, y del 5,3% y 3,3%, respectivamente, mientras que el número de parámetros del modelo es solo de 6,62 M. Este estudio ilustra el potencial de utilidad del algoritmo para la detección de malezas en campos de algodón, marcando un avance significativo de la inteligencia artificial en la agricultura.