La detección de pitahayas en entornos naturales sigue siendo un desafío debido a la precisión limitada y a las dificultades de implementación, principalmente debido a la iluminación variable y a las obstrucciones de ramas. Para mejorar la precisión de detección y satisfacer las restricciones de implementación de dispositivos de borde, proponemos YOLOv10n-CGD, un método de detección de pitahayas ligero y eficiente diseñado para aplicaciones de cosecha robótica. El método se basa en YOLOv10 e integra la Convolución Enrejada (gConv) en el módulo C2f, formando una nueva estructura C2f-gConv que reduce eficazmente los parámetros del modelo y la complejidad computacional. Además, se inserta un Mecanismo de Atención Global (GAM) entre la columna vertebral y las capas de fusión de características para enriquecer las representaciones semánticas y mejorar la detección de frutas ocultas. Además, la red del cuello integra un operador de Muestra Dinámica (DySample) para mejorar la restauración espacial de las características semánticas de alto nivel. Los resultados experimentales demuestran que YOLOv10n-CGD mejora significativamente el rendimiento al tiempo que reduce el tamaño del modelo de 5.8 MB a 4.5 MB, lo que representa una disminución del 22.4%. El mAP mejora del 95.1% al 98.1%, con una precisión y una recuperación que alcanzan el 97.1% y el 95.7%, respectivamente. Las mejoras observadas son estadísticamente significativas ( < 0.05). Además, se logran velocidades de detección de 44.9 FPS y 17.2 FPS en Jetson AGX Orin y Jetson Nano, respectivamente, lo que demuestra una sólida capacidad en tiempo real y adecuación para la implementación. En resumen, YOLOv10n-CGD permite la detección de pitahayas de alta precisión en tiempo real al tiempo que mantiene la compacidad del modelo, ofreciendo un sólido soporte técnico para futuros sistemas de cosecha robótica y terminales agrícolas inteligentes.