في السنوات الأخيرة، تدهورت الشعاب المرجانية بشكل كبير بسبب التغير المناخي والتلوث البحري، مما يبرز الحاجة الملحة إلى الكشف الآلي عن الشعاب المرجانية لرصد النظم الإيكولوجية البحرية. ومع ذلك، يشكل الكشف عن الشعاب المرجانية تحت الماء تحديات فريدة، تشمل انخفاض تباين الصور، وتعقيد هياكل الشعاب، والنمو الكثيف للشعاب، والتي تحد من كفاءة خوارزميات الكشف عن الكائنات العامة. لمعالجة هذه التحديات، نقترح نموذج SCoralDet، وهو نموذج كشف عن الشعاب الرخوية القابلة للتكيف، مبني على معمارية YOLO. أولاً، نقدم وحدة دمج متعددة المسارات (MPFB) لالتقاط ميزات الشعاب على مقاييس متعددة، مما يعزز مقاومة النموذج للإضاءة غير المنتظمة والضبابية في الصور. ونعزز كفاءة الاستدلال من خلال تطبيق إعادة التكوين (reparameterization). ثانيًا، ندمج مكونات خفيفة الوزن مثل GSConv وVoV-GSCSP لتقليل الحمل الحسابي دون التضحية بالأداء. بالإضافة إلى ذلك، نطور استراتيجية تعيين التسميات المُعدّلة (Adaptive Power Transformation label assignment)، التي تضبط بشكل ديناميكي مقاييس محاذاة المفاتيح (anchors). وباستخدام التسميات الناعمة (soft labels) ودالة الخسارة للمنطقة المركزية الناعمة (soft central region loss)، يُرشد النموذج لتحديد التنبؤات عالية الجودة والموثوقة. قمنا بتقييم SCoralDet على مجموعة بيانات Soft-Coral، حيث حقق زمن استجابة للتنبؤ بلغ 9.52 مللي ثانية، وقيمة mAP50 بلغت 81.9. وقد تفوق هذا الأداء على نماذج YOLOv5 (79.9)، وYOLOv6 (79.4)، وYOLOv8 (79.5)، وYOLOv9 (78.3)، وYOLOv10 (79.5). تُظهر هذه النتائج فعالية وقابلية تطبيقية عالية لنموذج SCoralDet في مهام الكشف عن الشعاب المرجانية تحت الماء.