Antecedentes: Para abordar los problemas en los modelos actuales de aprendizaje profundo para detectar defectos en superficies de rodamientos industriales, como tamaños de parámetros grandes y baja precisión en la identificación de defectos pequeños, proponemos un algoritmo de detección ligero para defectos de apariencia de rodamientos de tamaño pequeño. Métodos: En primer lugar, introducimos un módulo de atención de convolución separable grande en el módulo de fusión de pirámide espacial de agrupamiento. La capa de convolución profunda con núcleos de convolución grandes captura eficazmente más información de contexto extenso de defectos de rodamientos de tamaño pequeño mientras reduce la carga computacional y aprende pesos de atención para seleccionar de forma adaptativa la importancia de las características de entrada. En segundo lugar, integramos el SimAM (mecanismo de atención simple) en el modelo sin aumentar los parámetros de red originales, aumentando así la capacidad de extraer características de tamaño pequeño y mejorando la capacidad de fusión de características del modelo. Finalmente, utilizando SIoU (Scylla IoU) como pérdida de regresión y Soft-NMS (supresión suave de no máxima) para manejar cajas redundantes fortalece la capacidad del modelo para identificar áreas superpuestas. Resultados: Los resultados experimentales demuestran que nuestro modelo mejorado YOLOv8n, de tamaño 6.5 MB, supera al modelo base en cuanto a precisión, recuperación y mAP (precisión promedio), con FPS (cuadros por segundo) de 146.7 (f/s), mejorando significativamente el reconocimiento de defectos de rodamientos para aplicaciones industriales.