La detección precisa y rápida de la fruta es la garantía de una recolección inteligente de caquis. Dado los cambios en las condiciones de luz y oclusión en un entorno natural, este estudio desarrolló un método de detección basado en el modelo YOLOv5 mejorado. Este enfoque tiene varios pasos críticos, incluyendo la optimización de la función de pérdida basada en el YOLOv5 tradicional, la combinación de la pirámide de características centralizada (CFP), la integración del módulo de atención de bloques convolucionales (CBAM) y la adición de una capa de detección de objetivos pequeños. Se recopilaron imágenes de caquis maduros e inmaduros de los árboles frutales. Estas imágenes fueron preprocesadas para mejorar el contraste, y luego fueron ampliadas mediante un aumento de imagen para aumentar la robustez de la red. Para probar el método propuesto, se realizaron varios experimentos, incluyendo experimentos de detección y comparativos. A partir de los experimentos de detección, los caquis en un entorno natural pudieron ser detectados con éxito utilizando el modelo propuesto, con una tasa de precisión del 92.69%, una tasa de recuperación del 94.05% y una tasa de precisión promedio del 95.53%. Además, a partir de los experimentos comparativos, el modelo propuesto tuvo un mejor rendimiento que los modelos tradicionales YOLOv5 y de detector de caja única (SSD), mejorando la precisión de detección mientras reducía la tasa de detección de fugas y detecciones falsas. Estos hallazgos proporcionan algunas referencias para la recolección automática de caquis.