Debido a la densa distribución de frutos de tomate con morfologías y colores similares, es difícil reconocer las etapas de madurez cuando se cosecha el fruto de tomate. En este estudio, se propone un modelo de reconocimiento de madurez de tomate, YOLOv5s-tomato, basado en YOLOv5 mejorado para reconocer los cuatro tipos de diferentes etapas de madurez del tomate: verde maduro, rompedor, rosa y rojo. Se establecieron conjuntos de datos de madurez de tomate utilizando imágenes de frutos de tomate recolectadas en diferentes etapas de maduración en el invernadero. El rendimiento de detección de objetivos pequeños del modelo se mejoró mediante el aumento de datos Mosaico. Se adoptaron Focus y Cross Stage Partial Network (CSPNet) para mejorar la velocidad de entrenamiento y razonamiento de la red. La pérdida de Eficiencia IoU (EIoU) se utilizó para reemplazar la pérdida de Completitud IoU (CIoU) para optimizar el proceso de regresión de la caja de predicción. Finalmente, el algoritmo mejorado se comparó con el algoritmo YOLOv5 original en el conjunto de datos de madurez de tomate. Los resultados del experimento muestran que YOLOv5s-tomato alcanza una precisión del 95.58% y la Precisión Promedio (mAP) es del 97.42%; se mejoraron en 0.11% y 0.66%, respectivamente, en comparación con el modelo YOLOv5s original. La velocidad de detección por imagen es de 9.2 ms y el tamaño es de 23.9 MB. El YOLOv5s-tomato propuesto puede resolver de manera efectiva el problema de baja precisión de reconocimiento para tomates ocultos y de pequeño tamaño, y también puede cumplir con los requisitos de precisión y velocidad del reconocimiento de madurez del tomate en invernaderos, lo que lo hace adecuado para implementarse en dispositivos agrícolas móviles para brindar soporte técnico para la operación precisa de máquinas recolectoras de tomates.