Este estudio aborda los desafíos del reconocimiento de la madurez del tomate en entornos naturales, como la oclusión causada por ramas y hojas, y la dificultad para detectar frutas apiladas. Para superar estos problemas, proponemos un nuevo método YOLOv8n-CA para el reconocimiento de la madurez del tomate, que define cuatro etapas de madurez: verde, cambio de color, maduro y completamente maduro. El modelo se basa en la arquitectura YOLOv8n, incorporando el mecanismo de atención de coordenadas (CA) en la red principal para mejorar la capacidad del modelo de capturar y expresar las características de las frutas de tomate. Además, se utilizó la estructura C2f-FN en las redes principal y de cuello para fortalecer la capacidad del modelo de extraer características relacionadas con la madurez. El operador de muestreo ascendente CARAFE se integró para expandir el campo receptivo para una mejor fusión de características. Finalmente, se utilizó la función de pérdida SIoU para resolver el problema de CIoU insuficiente de la función de pérdida original. Los resultados experimentales mostraron que el modelo YOLOv8n-CA tenía un recuento de parámetros de solo 2.45 x 10, una complejidad computacional de 6.9 GFLOPs y un tamaño de archivo de peso de solo 4.90 MB. El modelo logró una precisión promedio media (mAP) del 97.3%. En comparación con el modelo YOLOv8n, redujo ligeramente el tamaño del modelo mientras mejoraba la precisión en 1.3 puntos porcentuales. En comparación con otros siete modelos: Faster R-CNN, YOLOv3s, YOLOv5s, YOLOv5m, YOLOv7, YOLOv8n, YOLOv10s y YOLOv11n, el modelo YOLOv8n-CA fue el más pequeño en tamaño y demostró un rendimiento de detección superior.