El tomate es un cultivo económico clave cuya producción y calidad dependen en gran medida de la detección temprana y precisa de enfermedades foliares. El diagnóstico convencional basado en la observación manual es intensivo en mano de obra y propenso a sesgos subjetivos. Para superar las limitaciones de la detección de enfermedades en condiciones ambientales complejas, este estudio presenta un marco de detección mejorado basado en YOLO11n para enfermedades foliares del tomate. El modelo propuesto integra un módulo EfficientMSF en la estructura principal para fortalecer la extracción de características a múltiples escalas, introduce un módulo C2CU para mejorar la representación contextual global y emplea un módulo CAFMFusion para lograr una fusión eficiente de características locales y globales. Se realizaron experimentos en un conjunto de datos autoconstruido que contiene nueve categorías de hojas de tomate, incluyendo ocho tipos de enfermedades y muestras sanas. El enfoque propuesto logra un Recall promedio del 71.0%, un [email protected] del 76.5% y un [email protected] del 60.5%, superando al modelo base YOLO11n en un 3.4%, 1.3% y 2.0%, respectivamente. En particular, para la desafiante clase de Moho Foliar, el [email protected] mejoró en un 3.4%. Estos resultados demuestran que el método propuesto posee una fuerte robustez y aplicabilidad práctica en condiciones de campo complejas, ofreciendo una solución efectiva para el monitoreo inteligente de enfermedades del tomate y la gestión agrícola de precisión.