La detección oportuna y efectiva de plagas es esencial para la producción agrícola, enfrentando desafíos como antecedentes complejos y una gran cantidad de parámetros. La búsqueda de soluciones se ha convertido en un asunto apremiante. Este documento, basado en el algoritmo YOLOv5, desarrolló el modelo PestLite. El modelo supera los métodos previos de agrupamiento espacial con nuestro Multi-Nivel de Agrupamiento Espacial en Pirámide (MTSPPF) diseñado de manera única. Utilizando una unidad ligera, integra operaciones de convolución, normalización y activación. Sobresale en la captura de características a múltiples escalas, garantizando una extracción rica de información clave en varias escalas. Notablemente, MTSPPF no solo mejora la precisión de detección, sino que también reduce el tamaño de los parámetros, lo que lo hace ideal para modelos de detección de plagas ligeros. Además, introdujimos los mecanismos de atención Involution y Efficient Channel Attention (ECA) para mejorar la comprensión contextual. También reemplazamos el aumento tradicional con ReEnsamblaje Consciente de Contenido de Características (CARAFE), lo que permite que el modelo logre una mayor precisión promedio en la detección. Las pruebas en un conjunto de datos de plagas mostraron una precisión mejorada al tiempo que se reducía el tamaño de los parámetros. El mAP50 aumentó del 87.9% al 90.7% y el recuento de parámetros disminuyó de 7.03 M a 6.09 M. Validamos aún más el modelo PestLite utilizando el conjunto de datos IP102 y, por otro lado, realizamos comparaciones con modelos convencionales. Además, visualizamos los objetivos de detección. Los resultados indican que el modelo PestLite proporciona una solución efectiva para la detección de objetivos en tiempo real en plagas agrícolas.