Lograr el reconocimiento rápido y preciso de la orientación del brote del diente de ajo es necesario para la operación rápida de enderezamiento de semillas de ajo y siembra de precisión. Sin embargo, las perturbaciones de las condiciones reales de siembra en campo, como la piel de ajo, la vibración y el movimiento rápido de las semillas de ajo, pueden afectar la precisión del reconocimiento. Mientras tanto, los plantadores de precisión de ajo necesitan realizar un algoritmo de reconocimiento con cálculo de baja demora bajo la condición de potencia de cálculo limitada, lo cual es un desafío para las plataformas de computación integrada. Las soluciones existentes sufren de una baja tasa de reconocimiento y una alta complejidad algorítmica. Por lo tanto, se propone un método de alta velocidad para reconocer la dirección del brote del diente de ajo basado en aprendizaje profundo, que utiliza un dispositivo auxiliar para obtener los contornos del diente de ajo como base para la clasificación de la orientación del brote. Primero, se seleccionaron al azar razas híbridas de ajo con la mayor variación en forma y se utilizaron como materiales de investigación, y se creó un conjunto de datos de imágenes binarias de contornos de semillas de ajo mediante muestreo de imágenes y varios métodos de mejora de datos para garantizar la generalización del modelo que había sido entrenado en los datos. En segundo lugar, se utilizaron tres clasificadores de aprendizaje profundo livianos, aprendizaje de transferencia basado en MobileNetV3, un modelo de red neuronal convolucional ingenuo y una red completamente conectada basada en el remuestreo de contornos, para realizar un reconocimiento preciso y de alta velocidad de la orientación de los brotes de dientes de ajo. En tercer lugar, después de la optimización de la estructura del modelo y los hiperparámetros, se entrenaron y probaron modelos de reconocimiento adecuados para diferentes niveles de rendimiento de hardware integrado en la plataforma integrada de bajo costo. Los resultados experimentales mostraron que el modelo MobileNetV3 basado en aprendizaje de transferencia, el modelo ingenuo de red neuronal convolucional y el modelo completamente conectado lograron una precisión del 98.71, 98.21 y 98.16%, respectivamente. La velocidad de reconocimiento de los tres programas auxiliares fue de 19.35, 97.39 y 151.40 FPS, respectivamente. Teóricamente, la velocidad de procesamiento de 151 semillas por segundo logra una velocidad de siembra de 1.3 hm/h con operación de una sola fila, lo que supera a los métodos de vanguardia en el reconocimiento de la orientación del brote del diente de ajo y podría satisfacer las necesidades de siembra precisa de alta velocidad.