El número de vainas de soja es un determinante clave del rendimiento de la soja, lo que hace que la detección y conteo precisos sean esenciales para la estimación del rendimiento, la gestión del cultivo y la selección de variedades. Los métodos tradicionales de conteo manual son laboriosos y consumen mucho tiempo, y aunque las redes de detección de objetos se aplican ampliamente en tareas agrícolas, la distribución densa y la superposición de las vainas de soja presentan desafíos significativos. Este estudio desarrolló un modelo de detección de vainas de soja, YOLOv8n-POD, basado en la red YOLOv8n, incorporando innovaciones clave para abordar estos problemas. Un Bloque Densa de Respaldo (DBB) mejora la adaptabilidad del modelo a la diversidad morfológica de las vainas de soja, mientras que el Módulo de Atención Separado y Mejorado (SEAM) en la sección del cuello mejora la representación de características relacionadas con las vainas en los mapas de características. Además, una Cabeza Dinámica aumenta la flexibilidad en la detección de vainas de diferentes escalas. El modelo logró una precisión promedio (AP) del 83.1%, superando las metodologías de detección de objetos convencionales con una mejora del 5.3% sobre YOLOv8. Las pruebas en tres conjuntos de datos públicos demostraron además su capacidad de generalización a otros cultivos. El modelo propuesto YOLOv8n-POD proporciona un sólido apoyo para la detección y localización precisas de vainas de soja, esenciales para la estimación del rendimiento y las estrategias de cría, y sus implicaciones teóricas y prácticas significativas amplían su aplicabilidad a otros tipos de cultivos, avanzando en la automatización agrícola y la agricultura de precisión.