Con el desarrollo de la acuicultura inteligente, la demanda de precisión para la detección de objetivos submarinos ha aumentado. Sin embargo, los métodos tradicionales de detección de objetivos han demostrado ser ineficientes e imprecisos debido a la complejidad de los entornos submarinos y la confusión de las características biológicas contra el fondo ambiental submarino. Para abordar estos problemas, propusimos un algoritmo novedoso para la detección de múltiples objetivos submarinos basado en la arquitectura YOLOv8, llamado SQnet. Se introdujo un módulo de Red de Convolución de Serpiente Dinámica (DSConvNet) para abordar la superposición entre organismos objetivo y el fondo ambiental submarino. Para reducir la complejidad computacional y el exceso de parámetros manteniendo la precisión, empleamos un modelo de red de segmentación semántica guiada por contexto ligero (CGNet). Además, los problemas de pérdida de información y degradación derivados de interacciones indirectas entre capas no adyacentes fueron manejados mediante la integración de un modelo de Red de Pirámide de Características Asintóticas (AFPN). Los resultados experimentales demuestran que SQnet logra un mAP@0.5 del 83.3% y 98.9% en los conjuntos de datos públicos URPC2020, Aquarium, y el conjunto de datos auto- compilado ZytLn, respectivamente. Además, su mAP@0.5-0.95 alcanza el 49.1%, 85.4%, y 84.6%, respectivamente, superando a otros algoritmos clásicos como YOLOv7-tiny, YOLOv5s, y YOLOv3-tiny. En comparación con el modelo original YOLOv8, SQnet cuenta con un PARM de 2.25 M y GFLOPs consistentes de 6.4 G. Este artículo presenta un enfoque novedoso para el monitoreo en tiempo real de peces utilizando dispositivos móviles, allanando el camino para el desarrollo adicional de la acuicultura inteligente en el ámbito de la pesca.