La detección precisa de malezas es un paso importante para lograr la agricultura inteligente. En este artículo se propone un modelo novedoso de reconocimiento de malezas, Cotton Weed-YOLO, para mejorar la precisión y eficiencia de la detección de malezas. CW-YOLO se basa en YOLOv8 e introduce una estructura de doble rama que combina un Transformador de Visión y una Red Neuronal Convolucional para abordar los problemas del pequeño campo receptivo de la CNN y la alta complejidad computacional del transformador. Se propone el módulo de Mejora del Campo Receptivo (RFE) para permitir que la red de pirámide de características se adapte a la información de características de diferentes campos receptivos. Se propone una cabeza de Detección Convolucional Compartida Invariante a Escala (SSCD) para aprovechar al máximo las ventajas de la convolución compartida y reducir significativamente el número de parámetros en la cabeza de detección. Los resultados experimentales muestran que el modelo CW-YOLO supera a los métodos existentes en términos de precisión y velocidad de detección. En comparación con el YOLOv8n original, la precisión de detección, el valor de mAP y la tasa de recuperación mejoran en un 1,45, 0,7 y 0,6%, respectivamente, los números de punto flotante se reducen en 2,5 G, y el número de parámetros se reduce en 1,52 x 10 veces. El modelo propuesto CW-YOLO proporciona un sólido soporte técnico para la agricultura inteligente y se espera que promueva el desarrollo de la producción agrícola en la dirección de la inteligencia y la precisión.