La detección precisa de frutos de Jinxiu Malus en entornos de huertos no estructurados se ve obstaculizada por la frecuente superposición, oclusión e iluminación variable. Para abordar estos desafíos, proponemos YOLOv8-MSP-PD (YOLOv8 con Fusión de Pirámide Multi-Escala y Distancia Proporcional IoU), un modelo ligero construido sobre una arquitectura YOLOv8 mejorada. Reemplazamos la columna vertebral con MobileNetV4, incorporando módulos de cuello de botella invertido unificado (UIB) y convoluciones separables en profundidad para una extracción eficiente de características. Introducimos un módulo de agrupamiento piramidal espacial con conexiones parciales rápidas entre etapas (SPPFCSPC) para fusión de características a múltiples escalas y una pérdida de Distancia Proporcional IoU modificada (MPD-IoU) para optimizar la regresión de cuadros delimitadores. Finalmente, la poda de magnitud adaptativa por capa (LAMP) combinada con destilación de conocimiento comprime el modelo mientras mantiene el rendimiento. En nuestro conjunto de datos personalizado de Jinxiu Malus, YOLOv8-MSP-PD logra una precisión media promedio (mAP) del 92.2% (un aumento del 1.6% sobre la línea base), reduce las operaciones de punto flotante (FLOPs) en un 59.9% y se reduce a 2.2 MB. La validación cruzada de cinco pliegues confirma la estabilidad, y las comparaciones con Faster R-CNN y SSD demuestran una precisión y eficiencia superiores. Este trabajo ofrece una solución de visión práctica para robots agrícolas y orientación para la detección ligera en la agricultura de precisión.