El repollo chino en flor (L. ssp. var. Tsen et Lee) es una verdura de hoja importante originaria del sur de China. Su área de cultivo se está expandiendo año tras año. Juzgar con precisión su madurez y determinar el momento adecuado de la cosecha son cruciales para la producción. El estado abierto de los capullos de repollo chino en flor sirve como un indicador crucial de madurez. Para abordar el desafío de identificar con precisión los capullos de repollo chino en flor, introdujimos mejoras en el enfoque de fusión de características del algoritmo YOLOv5 (You Only Look Once versión 5), lo que resultó en un algoritmo innovador con una cabeza de detección ajustable dinámicamente, llamado FPNDyH-YOLOv5 (Feature Pyramid Network with Dynamic Head-You Only Look Once versión 5). En primer lugar, se agregó una capa de detección P2 para mejorar la capacidad de detección del modelo de objetos pequeños. En segundo lugar, se agregó un mecanismo de atención consciente del espacio de DyHead (Dynamic Head) para la fusión de características, lo que permite la fusión adaptativa de información semántica en diferentes escalas. Además, se ideó un método de conteo de la región central basado en el algoritmo de seguimiento de objetos Bytetrack para la cuantificación en tiempo real de varias categorías. Los resultados experimentales demuestran que el modelo mejorado logró una precisión promedio media (mAP@0.5) del 93.9%, lo que representa una mejora del 2.5% en comparación con el modelo base. La precisión promedio (AP) para los capullos en diferentes niveles de madurez fue del 96.1%, 86.9% y 98.7%, respectivamente. Al aplicar el modelo entrenado junto con Bytetrack para la detección de video, la precisión promedio de conteo, en relación con el conteo manual, fue del 88.5%, con precisión específica de clase del 90.4%, 80.0% y 95.1%. En conclusión, este método facilita una clasificación y conteo relativamente precisos de los capullos de repollo chino en flor en entornos naturales.