La industria agrícola global se enfrenta a desafíos debido a la escasez de mano de obra y la demanda de mayor eficiencia. En la actualidad, la estimación del rendimiento de frutas en huertos de guayaba depende principalmente del recuento manual. La visión artificial es una tecnología esencial para habilitar la estimación automática del rendimiento en la producción de guayabas. Para abordar la detección de guayabas en entornos naturales complejos, este documento propone un modelo de detección mejorado, ligero y eficiente, V-YOLO (VanillaNet-YOLO). Al utilizar VanillaNet, más ligero y eficiente, como red principal y modificar la parte superior del modelo, mejoramos la precisión de detección, reducimos el número de parámetros del modelo y mejoramos la velocidad de detección. Los resultados experimentales demuestran que V-YOLO y YOLOv10n logran la misma precisión media promedio (mAP) del 95.0%, pero V-YOLO utiliza solo el 43.2% de los parámetros requeridos por YOLOv10n, realiza cálculos a un costo computacional del 41.4% y exhibe una velocidad de detección que es 2.67 veces la de YOLOv10n. Estos hallazgos indican que V-YOLO puede ser utilizado para la detección y recuento rápidos de guayabas, proporcionando un método efectivo para estimar visualmente el rendimiento de frutas en huertos de guayabas.