La ciruela es un tipo de fruta deliciosa y común con alto valor comestible y nutricional. La detección precisa y efectiva de la fruta de ciruela es clave para el conteo de frutas y la alerta temprana de plagas y enfermedades. Sin embargo, el entorno real del huerto de ciruelas es complejo, y la detección de las frutas de ciruela presenta muchos problemas, como la sombra de las hojas y la superposición de frutas. El método tradicional de estimar manualmente el número de frutas y la presencia de plagas y enfermedades utilizado en la industria del cultivo de ciruelas tiene desventajas, como baja eficiencia, alto costo y baja precisión. Para detectar las frutas de ciruela de manera rápida y precisa en un entorno de huerto complejo, este documento propone un modelo eficiente de detección de frutas de ciruela basado en una versión mejorada de You Only Look Once versión 7 (YOLOv7). Primero, se utilizaron diferentes dispositivos para capturar imágenes de alta resolución de las frutas de ciruela que crecen en condiciones naturales en un huerto de ciruelas en el condado de Gulin, en la provincia de Sichuan, y se formó un conjunto de datos para la detección de frutas de ciruela después de la selección manual, la mejora de datos y la anotación. Basado en el conjunto de datos, este documento eligió YOLOv7 como modelo base, introdujo el Módulo de Atención de Bloque de Convolución (CBAM) en YOLOv7, utilizó Cross Stage Partial Spatial Pyramid Pooling-Fast (CSPSPPF) en lugar de Cross Stage Partial Spatial Pyramid Pooling (CSPSPP) en la red, y utilizó interpolación bilineal para reemplazar la interpolación del vecino más cercano en el módulo de aumento de la red original para formar el algoritmo de detección de objetivos mejorado YOLOv7-ciruela. El modelo YOLOv7-ciruela probado logró un valor de precisión promedio (AP) del 94.91%, lo que representa una mejora del 2.03% en comparación con el modelo YOLOv7. Para verificar la efectividad del algoritmo YOLOv7-ciruela, este documento evaluó el rendimiento del algoritmo a través de experimentos de ablación, análisis estadístico, etc. Los resultados experimentales mostraron que el método propuesto en este estudio podría lograr mejor la detección de frutas de ciruela en fondos complejos, lo que ayudó a promover el desarrollo del cultivo inteligente en la industria de la ciruela.