Este estudio propone un novedoso método ligero de detección de uvas. Primero, la red principal de nuestro método es Uniformer, que captura dependencias a larga distancia y mejora aún más la capacidad de extracción de características. Luego, se presenta una Red de Agregación de Ruta Bidireccional (BiPANet) para fusionar mapas de características de baja resolución con información semántica sólida y mapas de características de alta resolución con información detallada. BiPANet se construye introduciendo una estrategia novedosa de mejora de características entre capas en la Red de Agregación de Ruta, que fusiona más información de características con una reducción significativa en el número de parámetros y la complejidad computacional. Para mejorar la precisión de localización de las cajas delimitadoras óptimas, se propone un algoritmo de Supresión No Máxima de Reposicionamiento (R-NMS) en el posprocesamiento. El algoritmo realiza operaciones de reposicionamiento en las cajas delimitadoras óptimas utilizando la información de posición de las cajas delimitadoras alrededor de las cajas óptimas. Los experimentos en WGISD muestran que nuestro método logra un 87.7% de mAP, 88.6% de precisión, 78.3% de recuperación, 83.1% de puntuación F1 y 46 FPS. En comparación con YOLOx, YOLOv4, YOLOv3, Faster R-CNN, SSD y RetinaNet, el mAP de nuestro método se incrementa en un 0.8%, 1.7%, 3.5%, 21.4%, 2.5% y 13.3%, respectivamente, y el FPS de nuestro método se incrementa en 2, 8, 2, 26, 0 y 10, respectivamente. Conclusiones similares se pueden obtener en otro conjunto de datos de uvas. Los alentadores resultados experimentales muestran que nuestro método puede lograr un mejor rendimiento que otros métodos de detección reconocidos en las tareas de detección de uvas.