La investigación sobre la detección automática de cáncer de pulmón mediante algoritmos de aprendizaje profundo ha logrado buenos resultados, pero, debido a la complejidad de las características del borde del tumor y los posibles cambios en las posiciones del tumor, aún es un gran desafío diagnosticar a pacientes con tumores pulmonares basándose en imágenes de tomografía computarizada (TC). Con el fin de resolver el problema de escalas y cumplir con los requisitos de detección en tiempo real, se presenta en este documento un modelo eficiente de un solo paso para la detección automática de tumores pulmonares en imágenes, llamado ELCT-YOLO. En lugar de profundizar en la columna vertebral o depender de una red de fusión de características complejas, ELCT-YOLO utiliza una estructura de cuello especialmente diseñada, que es adecuada para mejorar la capacidad de representación multi-escala de toda la capa de características. Al mismo tiempo, para resolver el problema de la falta de un campo receptivo después del desacoplamiento, el modelo propuesto utiliza un novedoso Esquema de Refinamiento Cascada (CRS), compuesto por dos tipos diferentes de módulos de mejora de campo receptivo (RFEMs), que permite expandir el campo receptivo efectivo y agregar información de contexto multi-escala, mejorando así el rendimiento de detección de tumores del modelo. Los resultados experimentales muestran que el modelo ELCT-YOLO propuesto tiene una fuerte capacidad para expresar información multi-escala y una buena robustez en la detección de tumores pulmonares de varios tamaños.