Implementar redes neuronales convolucionales profundas en dispositivos agrícolas con recursos limitados es un desafío debido a su gran cantidad de parámetros. Las redes ligeras existentes pueden aliviar este problema pero sufren de bajo rendimiento. Con este fin, proponemos una red ligera novedosa llamada YOLOv8-RCAA (YOLOv8-RepVGG-CBAM-Anchorfree-ATSS), con el objetivo de localizar y detectar enfermedades en hojas de té con alta precisión y rendimiento. Específicamente, empleamos RepVGG para reemplazar CSPDarkNet63 y mejorar la capacidad de extracción de características y la eficiencia de inferencia. Luego, introducimos la atención CBAM a FPN y PAN en la capa de cuello para mejorar la percepción del modelo de características de canal y espaciales. Además, una cabeza de detección basada en anclas se reemplaza por una cabeza libre de anclas para acelerar aún más la inferencia. Finalmente, adoptamos el algoritmo ATSS para adaptar la estrategia de asignación de muestras positivas y negativas durante el entrenamiento para mejorar aún más el rendimiento. Experimentos extensos muestran que nuestro modelo logra una precisión, recall, puntuación F1 y mAP del 98,23%, 85,34%, 91,33% y 98,14%, superando a los modelos tradicionales en 4,22~6,61%, 2,89~4,65%, 3,48~5,52% y 4,64~8,04%, respectivamente. Además, este modelo tiene una velocidad de inferencia casi en tiempo real, lo que proporciona soporte técnico para implementar en dispositivos agrícolas. Este estudio puede reducir los costos laborales asociados con la detección y prevención de enfermedades en hojas de té. Además, se espera promover la integración de la detección rápida de enfermedades en maquinaria agrícola en el futuro, avanzando así en la implementación de la inteligencia artificial en la agricultura.