El conteo preciso del número de panículas de arroz por unidad de área es esencial para la estimación del rendimiento del arroz. Sin embargo, la plantación intensiva, los entornos de crecimiento complejos y la superposición de panículas y hojas en los campos de arroz presentan desafíos significativos para la detección precisa de panículas. En este estudio, proponemos YOLO-Rice, un modelo de detección de panículas de arroz basado en la versión 8 nano de You Only Look Once (YOLOv8n). El modelo emplea FasterNet, una red de respaldo ligera, e incorpora una cabeza de detección de dos capas para mejorar el rendimiento de detección de panículas de arroz mientras reduce el tamaño total del modelo. Además, integramos un Módulo de Atención basado en Normalización (NAM) e introducimos una función de pérdida basada en la Distancia Mínima entre Puntos (MPDIoU) para mejorar aún más la capacidad de detección. Los resultados demuestran que el modelo YOLO-Rice logró una precisión de detección de objetos del 93.5% y una Precisión Media Promedio (mAP) del 95.9%, con parámetros del modelo reducidos al 32.6% del modelo original YOLOv8n. Cuando se implementó en una Raspberry Pi 5, YOLO-Rice alcanzó 2.233 fotogramas por segundo (FPS) en imágenes de tamaño completo, reduciendo el tiempo promedio de detección por imagen en un 81.7% en comparación con YOLOv8n. Al disminuir el tamaño de la imagen de entrada, el FPS aumentó a 11.36. En general, el modelo YOLO-Rice demuestra una mayor robustez y capacidades de detección en tiempo real, logrando una mayor precisión y siendo adecuado para su implementación en dispositivos portátiles de bajo costo. Este modelo ofrece un apoyo efectivo para la estimación del rendimiento del arroz, así como para aplicaciones de cultivo y cría.