Apuntando a las limitaciones de los métodos actuales de detección de cítricos en entornos de huertos complejos, especialmente los problemas de poca adaptabilidad del modelo y alta complejidad computacional bajo diferentes condiciones de iluminación, múltiples oclusiones y condiciones de frutas densas, este estudio propone un modelo mejorado de detección de cítricos, YOLO-PBGM, basado en You Only Look Once v7 (YOLOv7). Primero, para abordar el gran tamaño del modelo de red YOLOv7 y sus desafíos de implementación, se construye el módulo PC-ELAN introduciendo la Convolución Parcial (PConv) para una mejora ligera, lo que reduce la demanda del modelo de recursos informáticos y parámetros. Al mismo tiempo, se incrusta el módulo de atención Bi-Former para mejorar la percepción y procesamiento de la información de las frutas cítricas. En segundo lugar, se construye una red de cuello ligera utilizando la Convolución de Mezcla Agrupada (GSConv) para simplificar la complejidad computacional. Por último, se utiliza la función de pérdida basada en la distancia mínima de puntos IoU (MPDIoU) para optimizar el mecanismo de retorno de límites, lo que acelera la convergencia del modelo y reduce la redundancia de la regresión de cuadros delimitadores. Los resultados experimentales indican que para el conjunto de datos de cítricos recopilados en un entorno natural, el modelo mejorado reduce los Params y GFLOPs en un 15.4% y 23.7%, respectivamente, mientras mejora la precisión, la recuperación y el mAP en un 0.3%, 4% y 3.5%, respectivamente, superando así a otros modelos de detección. Además, un análisis de la detección de objetos cítricos bajo condiciones variables de iluminación y oclusión revela que el modelo de red YOLO-PBGM demuestra una buena adaptabilidad, manejando eficazmente las variaciones en la iluminación y oclusiones mientras exhibe una alta robustez. Este modelo puede proporcionar una referencia técnica para la recolección inteligente no tripulada de cítricos.