Con la creciente demanda de monitoreo inteligente en la acuicultura terrestre, el conteo rápido y preciso de peces a partir de datos visuales se ha vuelto importante para la regulación de la densidad de población, la gestión de la alimentación y las decisiones de producción. Para abordar los desafíos en las imágenes de peces sobre el agua, incluyendo la variación de escala, la oclusión severa y la adhesión, los bordes borrosos y el cambio frecuente entre escenas de baja y alta densidad, este estudio propone MultiTask-Fish, un método de conteo multitarea con un backbone compartido. La red utiliza ResNet34 como backbone e integra una red de pirámide de características y atención de canal para aprender representaciones de características unificadas. Predice conjuntamente mapas de calor de detección, máscaras de primer plano, límites de separación, mapas de densidad, control de densidad y regresión de conteo global, lo que permite al modelo combinar pistas de localización local, información estructural y estadísticas globales. Basado en anotaciones de polígonos existentes, se generan automáticamente supervisiones de mapas de calor, máscaras, límites y densidad para el entrenamiento multitarea integrado. Los experimentos en 495 imágenes de peces, incluyendo 346 imágenes de entrenamiento y 149 imágenes de validación, mostraron que el método propuesto logró un MAE de 5.875, un RMSE de 11.839 y un MAPE de 0.152 en el conjunto de validación, mientras que redujo el MAE en el subconjunto de alta densidad de 16.717 a 13.895. Estos resultados demuestran su efectividad para el conteo de peces en escenas complejas de acuicultura sobre el agua.