Actualmente, los métodos de detección de defectos en sujetadores ferroviarios basados en la detección de objetos aún enfrentan desafíos como categorías de detección limitadas, precisión insuficiente y alta complejidad computacional. Con este fin, se desarrolla en este documento el YOLOv8n-FDD, un modelo avanzado de detección de defectos de sujetadores de múltiples categorías diseñado sobre el YOLOv8n con optimizaciones integrales. Concretamente, al introducir el modelo de transferencia de estilo basado en CUT para generar muestras de defectos diversas, se alivia efectivamente la preocupación debido a la distribución desequilibrada de las categorías de muestras. Se incorpora el mecanismo CA para mejorar la capacidad de extracción de características, y la función de pérdida de la caja delimitadora se actualiza aún más para mejorar el rendimiento de generalización del modelo. Con respecto a la eficiencia, los módulos Conv y c2f del modelo YOLOv8n se reemplazan, respectivamente, por los módulos GSConv y VoVGSPCP, logrando así un diseño ligero. Los resultados experimentales comparativos demuestran que el modelo YOLOv8n-FDD presentado supera a varios modelos clásicos de detección de objetos en términos de precisión de detección, velocidad de detección, tamaño del modelo y complejidad computacional.