Los métodos tradicionales de control de plagas para los boniatos causan el desperdicio de pesticidas y la contaminación del suelo, pero el algoritmo de detección de objetivos basado en aprendizaje profundo puede controlar la pulverización precisa de pesticidas en las plantas de boniato y evitar que la mayoría de los pesticidas ingresen al suelo. Apuntando a los problemas de baja precisión de detección de plantas de boniato y la complejidad de los modelos de detección de objetivos en entornos naturales, se propone un algoritmo mejorado basado en YOLOv8s, que puede identificar con precisión las plantas de boniato tempranas. Primero, este método utiliza un modelo de red eficiente para mejorar el flujo de información en el canal, obtener características globales más efectivas en la estructura semántica de alto nivel y reducir los parámetros del modelo y la complejidad computacional. Luego, se utilizan la fusión de características a través de escalas y la arquitectura general de agregación eficiente para mejorar aún más la capacidad de extracción de características de la red. Finalmente, la función de pérdida se reemplaza con InnerFocaler-IoU (IFIoU) para mejorar la velocidad de convergencia y la robustez del modelo. Los resultados experimentales mostraron que el mAP0.5 y el tamaño del modelo de la red mejorada alcanzaron el 96.3% y 7.6 MB. En comparación con la red base YOLOv8s, el número de parámetros se redujo en un 67.8%, la cantidad de cálculos se redujo en un 53.1%, y el mAP0.5:0.95 aumentó en un 3.5%. El algoritmo mejorado tiene una mayor precisión de detección y una menor cantidad de parámetros y cálculos. Este método realiza la detección precisa de las plantas de boniato en el entorno natural y proporciona apoyo técnico y orientación para reducir el desperdicio de pesticidas y la contaminación por pesticidas.