Los recursos animales son significativos para la supervivencia y el desarrollo humano, así como para el equilibrio del ecosistema. La detección automatizada de objetos de múltiples animales es crítica en la investigación y conservación de animales, así como en el monitoreo de ecosistemas. El objetivo es diseñar un modelo que mitigue los desafíos que plantea el gran número de parámetros y cálculos en los métodos existentes de detección de objetos animales. Desarrollamos una red de respaldo con capacidades representativas mejoradas para alcanzar este objetivo. Esta red combina la estructura fundamental del modelo Transformer con el módulo de Núcleo Selectivo Grande (LSK), conocido por su amplio campo receptivo. Para reducir aún más el número de parámetros y cálculos, incorporamos una técnica de poda de canales basada en la información de Fisher para eliminar canales de menor importancia. Con la ayuda de las ventajas de los diseños anteriores, se construyó un modelo de detección de objetos de animales en tiempo real basado en un Núcleo Selectivo Grande y poda de canales (RTAD). El modelo fue evaluado utilizando un conjunto de datos público de animales, AP-10K, que incluía 50 categorías anotadas. Los resultados demostraron que nuestro modelo tiene casi la mitad de los parámetros de YOLOv8-s, pero lo supera en 6.2 AP. Nuestro modelo proporciona una nueva solución para la detección de objetos de animales en tiempo real.