Detectar con precisión la madurez y la posición 3D del repollo chino en flor (var. chinensis) en entornos naturales es vital para la cosecha autónoma de robots en granjas no estructuradas. El desafío radica en la siembra densa, los pequeños botones florales, los colores similares y las oclusiones. Este estudio propone una red YOLOv8-Improved integrada con el algoritmo de seguimiento ByteTrack para lograr la detección de múltiples objetos y la posicionamiento 3D de las plantas de repollo chino en flor en los campos. En este estudio, se crea C2F-MLCA al agregar una atención de canal local mixta (MLCA) ligera con capacidad de conciencia espacial al módulo C2F de YOLOv8, lo que mejora la extracción de información de características espaciales en la red de fondo. Además, se añade una capa de detección P2 a la red de cuello, y se utiliza BiFPN en lugar de PAN para mejorar la fusión de características a múltiples escalas y la detección de objetivos pequeños. Wise-IoU en combinación con Inner-IoU se adopta como una nueva función de pérdida para optimizar la red para diferentes muestras de calidad y diferentes tamaños de cajas delimitadoras. Por último, se integra ByteTrack para el seguimiento de video, y se utilizan datos de profundidad de la cámara RGB-D para estimar las posiciones del repollo. Los resultados experimentales muestran que YOLOv8-Improve logra una precisión del 86.5% y un recall del 86.0% en la detección de la madurez del repollo chino en flor. Entre ellos, mAP50 y mAP75 alcanzan el 91.8% y el 61.6%, respectivamente, lo que representa una mejora del 2.9% y 4.7% sobre la red original. Además, el número de parámetros se reduce en un 25.43%. En resumen, el algoritmo YOLOv8 mejorado demuestra una alta robustez y un rendimiento de detección en tiempo real, proporcionando así un fuerte apoyo técnico para la gestión de cosechas automatizadas.