Para abordar el desafío de detectar con precisión nuevas ciruelas en medio de la oclusión del tronco y las hojas y la superposición de frutas, este estudio presenta un nuevo modelo de detección de objetivos, YOLOv8n-CRS. Se creó un conjunto de datos especializado, diseñado específicamente para nuevas ciruelas, bajo condiciones reales de huerto, con el modelo avanzado YOLOv8n sirviendo como red base. Inicialmente, se introdujo el mecanismo de atención CA en la red principal para mejorar la capacidad del modelo de extraer características cruciales de las nuevas ciruelas. Posteriormente, se incorporó el módulo RFB en la capa de cuello para aprovechar la información multiescala, mitigando las inexactitudes causadas por la superposición de frutas y mejorando así el rendimiento de detección. Finalmente, la función de pérdida original CIOU se reemplazó por la función de pérdida SIOU para mejorar aún más la precisión de detección del modelo. Los resultados de las pruebas muestran que el modelo YOLOv8n-CRS logró una tasa de recuperación del 88.9%, con puntajes de precisión promedio de mAP@0.5 y mAP@0.5:0.95 registrados en 96.1% y 87.1%, respectivamente. El puntaje F1 del modelo alcanzó el 90.0%, y entregó una velocidad de detección en tiempo real de 88.5 cuadros por segundo. En comparación con el modelo YOLOv8n, el YOLOv8n-CRS mostró una mejora de 2.2 puntos porcentuales en la tasa de recuperación, junto con aumentos de 0.7 puntos porcentuales y 1.2 puntos porcentuales en mAP@0.5 y mAP@0.5:0.95, respectivamente. En comparación con Faster R-CNN, YOLOv4, YOLOv5s y los modelos YOLOv7, el modelo YOLOv8n-CRS presenta el tamaño más pequeño de 6.9 MB. Este diseño simplificado satisface las demandas para la identificación en tiempo real de nuevas ciruelas en entornos de huerto intrincados, proporcionando un sólido respaldo técnico para los sistemas de percepción visual de robots avanzados de recolección de ciruelas.