La forma y cantidad de cuerpos fructíferos (comúnmente conocidos como shiitake) afectan significativamente su calidad y rendimiento. La segmentación precisa y rápida de estos cuerpos fructíferos es crucial para la clasificación de calidad y la predicción de rendimiento. Este estudio propuso el YOLOv5seg-BotNet, un modelo para la segmentación de instancias de , para investigar su aplicación en la industria de los hongos. Primero, la red principal fue reemplazada por la BoTNet, y las convoluciones espaciales en la red principal local fueron reemplazadas por módulos globales de autoatención para mejorar la capacidad de extracción de características. Posteriormente, se adoptó el PANet para gestionar e integrar eficazmente imágenes en fondos complejos a diferentes escalas. Finalmente, se empleó la función de Pérdida Varifocal para ajustar los pesos de las diferentes muestras, abordando los problemas de segmentación perdida y mala segmentación. El modelo mejorado demostró mejoras en la precisión, recuperación, Mask_AP, F1-Score y FPS, logrando 97.58%, 95.74%, 95.90%, 96.65% y 32.86 cuadros por segundo, respectivamente. Estos valores representaron aumentos del 2.37%, 4.55%, 4.56%, 3.50% y 2.61% en comparación con el modelo original. El modelo logró mejoras duales en la precisión y velocidad de segmentación, mostrando un excelente rendimiento de detección y segmentación en cuerpos fructíferos. Este estudio proporcionó fundamentos técnicos para la futura aplicación de procesos de detección de imágenes y toma de decisiones para evaluar la producción de hongos, incluida la clasificación de calidad y la cosecha inteligente.