Esta investigación aborda los desafíos intrincados de detectar enfermedades de hojas de maíz densamente distribuidas y las limitaciones inherentes en los algoritmos de detección basados en YOLO. Introduce el algoritmo GhostNet_Triplet_YOLOv8s, mejorando YOLO v8s mediante la integración de la estructura ligera de GhostNet (Red Neuronal Convolucional de Fantasmas), que reemplaza el espinazo dorsal de YOLO v8s. Esta adaptación implica intercambiar los módulos C2f (Grueso a Fino) y Conv (Convolucional) de la cabeza con C3 Ghost y GhostNet, simplificando la arquitectura del modelo mientras amplifica significativamente la velocidad de detección. Además, se incorpora un mecanismo de atención ligero, Triplet Attention, para refinar la precisión en la identificación de la salida de la capa posterior del cuello y definir con precisión las características dentro de las áreas afectadas por enfermedades. Al introducir la función ECIoU_Loss (Pérdida de EfficiCLoss), reemplazando la pérdida original de CIoU, el algoritmo mitiga eficazmente los problemas asociados con las penalizaciones de la relación de aspecto, lo que resulta en mejoras marcadas en las tasas de reconocimiento y convergencia. Los resultados experimentales muestran métricas prometedoras con una tasa de precisión del 87.50%, una tasa de recuperación del 87.70% y un mAP@0.5 del 91.40%, todo dentro de un tamaño de modelo compacto de 11.20 MB. En comparación con YOLO v8s, este enfoque logra un aumento del 0.3% en la precisión promedio (mAP), reduce el tamaño del modelo en un 50.2% y disminuye significativamente los FLOPs en un 43.1%, garantizando una identificación rápida y precisa de enfermedades de maíz mientras se optimiza el uso de memoria. Además, la implementación práctica del modelo entrenado en un mini-programa de desarrollador de WeChat subraya su utilidad práctica, permitiendo la detección de enfermedades en tiempo real en campos de maíz para ayudar en la toma de decisiones agrícolas oportuna y estrategias de prevención de enfermedades.