En respuesta a la alta tasa de rotura de los huevos de paloma y los significativos costos laborales asociados con la cría de palomas productoras de huevos, este estudio propone un modelo mejorado YOLOv8-PG (detección de huevos de paloma reales versus falsos) basado en YOLOv8n. Específicamente, el Bottleneck en el módulo C2f de la red backbone de YOLOv8n y la red neck se reemplazan por el Bloque Fasternet-EMA y el Bloque Fasternet, respectivamente. El Bloque Fasternet está diseñado en base a PConv (Convolución Parcial) para reducir de manera eficiente el conteo de parámetros del modelo y la carga computacional. Además, la incorporación del mecanismo EMA (Atención Multi-escala Eficiente) ayuda a mitigar la interferencia de entornos complejos en las capacidades de extracción de características de los huevos de paloma. Adicionalmente, se introduce Dysample, un upsampler ultra-ligero y efectivo, en la red neck para mejorar aún más el rendimiento con una menor sobrecarga computacional. Finalmente, se emplea el concepto de EXPMA (promedio móvil exponencial) para optimizar el SlideLoss y proponer la función de pérdida de clasificación EMASlideLoss, abordando el problema de muestras de datos desbalanceadas y mejorando la robustez del modelo. Los resultados experimentales mostraron que el F1-score, mAP50-95 y mAP75 de YOLOv8-PG aumentaron en un 0.76%, 1.56% y 4.45%, respectivamente, en comparación con el modelo base YOLOv8n. Además, el conteo de parámetros del modelo y la carga computacional se redujeron en un 24.69% y un 22.89%, respectivamente. En comparación con modelos de detección como Faster R-CNN, YOLOv5s, YOLOv7 y YOLOv8s, YOLOv8-PG exhibe un rendimiento superior. Además, la reducción en el conteo de parámetros y la carga computacional contribuye a disminuir los costos de implementación del modelo y facilita su implementación en plataformas robóticas móviles.