La detección de manzanas en entornos naturales es crucial para avanzar en la automatización agrícola. Sin embargo, los huertos a menudo emplean técnicas de embolsado para proteger las manzanas de las plagas y mejorar la calidad, lo que introduce desafíos significativos de detección debido a la apariencia variada y la oclusión de las manzanas causada por las bolsas. Además, los fondos naturales complejos y variables complican aún más el proceso de detección. Para abordar estos desafíos multifacéticos, este estudio presenta AAB-YOLO, un modelo ligero de detección de manzanas basado en un marco YOLOv11 mejorado. AAB-YOLO incorpora módulos ADown para reducir la complejidad del modelo, el módulo C3k2_ContextGuided para una comprensión mejorada de escenas complejas y el módulo Detect_SEAM para un manejo mejorado de las manzanas ocultas. Además, se emplea la función de pérdida Inner_EIoU para aumentar la precisión y eficiencia de la detección. Los resultados experimentales muestran mejoras significativas: mAP@50 aumenta de 0,917 a 0,921, la precisión sube de 0,948 a 0,951 y la recuperación mejora en un 1,04%, mientras que el recuento de parámetros del modelo y la complejidad computacional se reducen en un 37,7% y 38,1%, respectivamente. Al lograr un rendimiento ligero manteniendo una alta precisión, AAB-YOLO satisface eficazmente las necesidades de detección de manzanas en tiempo real en entornos naturales, superando los desafíos planteados por las técnicas de embolsado en huertos y los fondos complejos.