La detección en tiempo real de racimos y tallos de plátano en plantaciones de plátanos es una tecnología clave en la aplicación de robots agrícolas. Las condiciones complejas del huerto hacen que la detección precisa sea una tarea difícil, y el peso ligero de la red de aprendizaje profundo es una tendencia de aplicación. Este estudio propone y compara dos modelos de detección de redes neuronales YOLOv4 mejorados en una plantación de plátanos. Uno es el modelo de detección YOLO-Banana, que analiza las características del plátano y la estructura de la red para podar las capas de red menos importantes; el otro es el modelo de detección YOLO-Banana-l4, que, añadiendo una capa de cabeza YOLO a la estructura de red podada, explora el impacto de una estructura de predicción de cuatro escalas en la red podada. Los resultados muestran que YOLO-Banana y YOLO-Banana-l4 podrían reducir el peso de la red y acortar el tiempo de detección en comparación con YOLOv4. Además, el modelo de detección YOLO-Banana tiene el mejor rendimiento, con una buena precisión de detección para racimos y tallos de plátano en el entorno natural. Los valores de precisión promedio (AP) del modelo de detección YOLO-Banana en racimos y tallos de plátano son del 98,4% y 85,98%, y la precisión promedio (mAP) del modelo de detección es del 92,19%. El peso del modelo se reduce de 244 a 137 MB, y el tiempo de detección se acorta de 44,96 a 35,33 ms. En resumen, la red es ligera y tiene un buen rendimiento en tiempo real y perspectivas de aplicación en la gestión inteligente y la cosecha automática en la plantación de plátanos.