En respuesta al volumen rápidamente creciente de paquetes exprés, los desafíos de la insuficiente precisión de detección y la lenta velocidad de respuesta en los sistemas de detección de calidad de paquetes exprés se han vuelto prominentes. Para abordar estos problemas, proponemos el algoritmo YOLO11-FGA, una versión mejorada del modelo YOLO11n diseñado para mejorar tanto la precisión de detección como la velocidad de respuesta. La clave de esta innovación en este modelo es la introducción del backbone FasterNet, que mejora las capacidades de extracción de características mientras mantiene un diseño ligero, mejorando así la eficiencia computacional general. Además, incorporamos el módulo C3k2_GhostDynamicConv, que combina las estructuras GhostBottleneck y DynamicConv para mejorar significativamente las capacidades de detección y extracción de características, particularmente para defectos de embalaje sutiles y complejos. Para mejorar aún más el rendimiento de detección, se añade una cabeza de entrenamiento auxiliar (Aux) a la cabeza de detección YOLO11, mejorando la fusión de características a múltiples escalas y aumentando la precisión de la detección de pequeños objetivos, lo cual es esencial para identificar defectos menores. Los resultados experimentales demuestran que YOLO11-FGA supera a YOLO11n, con mejoras en precisión (1.1%), recuperación (1.3%), mAP@0.5 (2.3%) y mAP@0.5:0.95 (1.4%). Estos resultados destacan el rendimiento superior del algoritmo YOLO11-FGA, que ofrece una mayor precisión de detección, robustez y eficiencia computacional, convirtiéndolo en una solución altamente efectiva para la detección de calidad de paquetes exprés en tiempo real en aplicaciones logísticas.