La detección precisa de brotes es un requisito previo para la recolección automática de té y las estadísticas de rendimiento; sin embargo, la investigación actual sufre de detecciones perdidas debido a la variedad de singularidades y falsas detecciones en entornos complejos. Los modelos tradicionales de detección de objetivos se basan principalmente en CNN, pero CNN solo puede lograr la extracción de información de características locales, lo que carece de ventajas para la identificación precisa de objetivos en entornos complejos, y Transformer puede ser una buena solución al problema. Por lo tanto, basándose en un conjunto de datos de brotes de té de múltiples variedades, este estudio propone RT-DETR-Tea, un modelo de detección de objetos mejorado bajo el marco de detección en tiempo real Transformer (RT-DETR). Este modelo utiliza atención de grupo en cascada para reemplazar el mecanismo de autoatención de múltiples cabezas (MHSA) en el módulo de interacción de características intra-escala basado en atención (AIFI), optimizando eficazmente las características profundas y enriqueciendo la información semántica de las características. El mecanismo original del módulo de fusión de características entre escalas (CCFM) se mejoró para establecer el mecanismo de reunión y distribución de té (GD-Tea) para la fusión de características a múltiples niveles, que puede fusionar eficazmente información semántica de bajo y alto nivel y características de brotes de té grandes y pequeños en entornos naturales. Se empleó el submódulo de DilatedReparamBlock en UniRepLKNet para mejorar RepC3 y lograr una fusión eficiente de información de características de brotes de té y garantizar la precisión de la cabeza de detección. Los experimentos de ablación muestran que la precisión y la precisión promedio de la propuesta del modelo RT-DETR-Tea son del 96,1% y 79,7%, respectivamente, lo que aumenta en un 5,2% y un 2,4% en comparación con los del modelo original, lo que indica la efectividad del modelo. El modelo también muestra un buen rendimiento de detección en el conjunto de datos de brotes de té recién construido. En comparación con otros algoritmos de detección, el modelo mejorado RT-DETR-Tea demuestra un rendimiento de detección de brotes de té superior, proporcionando un soporte técnico efectivo para la gestión y producción inteligente de jardines de té.