La detección automatizada de madurez en el cultivo de fresas a gran escala a menudo se ve desafiada por fondos complejos, variación significativa en la escala del objetivo y tamaño pequeño del objeto. Para abordar estos problemas, se propone un modelo eficiente de detección de madurez de fresas, YOLOv11-HRS. Este modelo incorpora un mecanismo de atención híbrido en el espacio de canales para mejorar su atención a las características clave y reducir la interferencia de fondos complejos. Además, se ha diseñado el módulo RepNCSPELAN4_L para mejorar la representación de objetivos a múltiples escalas a través de la agregación de características contextuales. Simultáneamente, se ha incrustado una cabeza de detección de pequeños objetivos de 160 x 160 en la pirámide de características para mejorar la capacidad de detección de pequeños objetivos. Reemplaza el módulo SPPF original con el módulo SPPELAN de mayor rendimiento para mejorar aún más la precisión de detección. Los resultados experimentales en el conjunto de datos de fresas autoconstruido SRD muestran que YOLOv11-HRS mejora mAP@0.5 y mAP@0.5:0.95 en un 3.4% y 6.3%, respectivamente, reduce el número de parámetros en un 19% y mantiene una velocidad de inferencia estable en comparación con el modelo YOLOv11 de referencia. Este estudio presenta una solución eficiente y práctica para la detección de madurez de fresas en entornos naturales. También proporciona un soporte técnico esencial para avanzar en la gestión inteligente en el cultivo de fresas a gran escala.