Debido a factores ambientales complejos como la iluminación, el sombreado entre hojas y frutos, el sombreado entre frutos, etc., resulta un desafío identificar rápidamente las jujubas rojas y contarlas en los huertos. Se propuso un método de conteo de jujubas rojas basado en YOLOv5s mejorado, que logró la detección rápida y precisa de jujubas rojas y redujo la escala del modelo y el error de estimación. ShuffleNet V2 se utilizó como la columna vertebral del modelo para mejorar la capacidad de detección del modelo y reducir el peso. Además, se propuso Stem, un módulo de carga de datos novedoso, para evitar la pérdida de información debido al cambio en el tamaño del mapa de características. Se reemplazó PANet por BiFPN para mejorar la capacidad de fusión de características del modelo y mejorar la precisión del modelo. Finalmente, se utilizó el modelo de detección YOLOv5s mejorado para contar las jujubas rojas. Los resultados experimentales mostraron que el rendimiento general del modelo mejorado fue mejor que el de YOLOv5s. En comparación con YOLOv5s, el modelo mejorado fue el 6.25% y el 8.33% de la red original en términos del número de parámetros del modelo y el tamaño del modelo, y la Precisión, Recall, F1-score, AP y Fps mejoraron en un 4.3%, 2.0%, 3.1%, 0.6% y 3.6%, respectivamente. Además, RMSE y MAPE disminuyeron en un 20.87% y un 5.18%, respectivamente. Por lo tanto, el modelo mejorado tiene ventajas en la ocupación de memoria y la precisión de reconocimiento, y el método proporciona una base para la estimación del rendimiento de jujuba roja por visión.