Este documento propone un modelo de detección de mangos ligero y eficiente llamado Light-YOLO basado en la estructura Darknet53, con el objetivo de detectar rápidamente y con precisión frutas de mango en entornos naturales, mitigando efectivamente casos de detección falsa o perdida. Incorporamos el módulo de conexión bidireccional y el módulo de conexión de salto en la estructura Darknet53 y comprimimos el número de canales del cuello, lo que minimiza el número de parámetros y FLOPs. Además, integramos la tecnología de parámetros pesados estructurales en C2f, rediseñamos el Bottleneck basado en los principios de la estructura residual e introducimos un mecanismo de atención EMA para amplificar el énfasis de la red en características clave. Por último, se modifica el Bloque de Muestreo Descendente dentro de la red principal, pasando de un Bloque CBS a un Bloque de Muestreo Descendente de Multi-Rama-Gran-Núcleo. Esta modificación tiene como objetivo mejorar el campo receptivo de la red, mejorando así aún más su rendimiento de detección. Basado en los resultados experimentales, logra un mAP notable del 64.0% y un impresionante mAP0.5 del 96.1% en el conjunto de datos de Mangos de ACFR con parámetros y FLOPs de solo 1.96 M y 3.65 G. En comparación con modelos avanzados de detección de objetivos como YOLOv5, YOLOv6, YOLOv7 y YOLOv8, logra resultados de detección mejorados mientras utiliza menos parámetros y FLOPs.