俗称“玻璃鳗”时期的鳗鱼(Anguilla japonica)幼苗具有个体较小、鱼体透明和眼睛构造突出的特点。其透明特使得常规模型难以精准识别计数。因此本文提出C2fAM-YOLO目标检测模型, 对玻璃鳗(glass eel)的眼部进行识别定位并进行计数。本文基于YOLOv5算法框架提出了改进模型: 引入了CBAM卷积注意力模块, 提升网络特征图的表征能力, 通过空间和通道注意力机制自适应地捕获全局和局部特征关系, 调整通道重要性, 增强特征表示力；用SimSPPF模块替换SPPF模块, 保留更多层级信息, 将SiLU作为激活函数避免过度学习；并设计了不同尺寸的四个检测头锚框, 进一步提高玻璃鳗检测准确率。实验结果表明, C2fAM-YOLO模型的检测准确率达到88.9%, mAP达到89.9%。与RT-DETR-ResNet50以及YOLO同系列(v3至v12)等模型的对比分析表明, C2fAM-YOLO模型在玻璃鳗的识别任务中表现最优, 其优势在于较高的准确率和召回率, 易于终端部署, 且在光线不佳或背景干扰较大的条件下也能保持稳定性能, 展现出良好的鲁棒性, 可为玻璃鳗的检测与计数提供了强有力的技术支持。