Para realizar el monitoreo del período de crecimiento del tomate y la predicción del rendimiento del cultivo de tomate, nuestro estudio propone una red de seguimiento visual de objetos llamada YOLO-deepsort para identificar y contar tomates en diferentes períodos de crecimiento. Basado en el modelo YOLOv5s, nuestro modelo utiliza shufflenetv2, combinado con el mecanismo de atención CBAM, para comprimir el tamaño del modelo desde el nivel del algoritmo. En la parte del cuello de la red, se utiliza la estructura de fusión multiescala BiFPN para mejorar la precisión de predicción de la red. Cuando la red de detección de objetivos completa la predicción de la caja delimitadora del objetivo, se utiliza el algoritmo de filtro de Kalman para predecir la ubicación del objetivo en el siguiente cuadro, lo que se denomina el rastreador en este documento. Finalmente, se calcula el error de la caja delimitadora entre la caja delimitadora predicha y la caja delimitadora salida por la red de detección de objetos para actualizar los parámetros del filtro de Kalman y repetir los pasos anteriores para lograr el seguimiento del objetivo de los frutos y flores de tomate. Después de obtener los resultados de seguimiento, utilizamos OpenCV para crear una línea de conteo virtual para contar los objetivos. Nuestro algoritmo logró un resultado competitivo basado en los métodos anteriores: La precisión media promedio de la flor, el tomate verde y el tomate rojo fue del 93.1%, 96.4% y 97.9%. Además, demostramos la capacidad de seguimiento del modelo y el proceso de conteo al contar flores de tomate. En general, el modelo YOLO-deepsort podría cumplir con los requisitos reales de pronóstico de rendimiento de tomate en la escena del invernadero, lo que proporciona apoyo teórico para la detección del estado de crecimiento de los cultivos y la predicción de rendimiento.