In den letzten Jahren haben der Klimawandel und die Meeresverschmutzung die Korallenriffe erheblich beeinträchtigt und unterstreichen die dringende Notwendigkeit automatisierter Korallendetektion zur Überwachung mariner Ökosysteme. Unterwasser-Korallendetektion stellt jedoch einzigartige Herausforderungen dar, darunter geringe Bildkontraste, komplexe Korallenstrukturen und dichte Korallenbestände, die die Wirksamkeit allgemeiner Objektdetektionsalgorithmen einschränken. Um diesen Herausforderungen zu begegnen, stellen wir SCoralDet vor – ein auf der YOLO-Architektur basierendes Modell zur Detektion weicher Korallen. Zunächst führen wir einen Multi-Path-Fusion-Block (MPFB) ein, um Korallenmerkmale auf mehreren Skalen zu erfassen und die Robustheit des Modells gegenüber ungleichmäßiger Beleuchtung und Bildverwischung zu erhöhen. Zudem verbessern wir die Inferenz-Effizienz durch Anwendung von Reparametrisierung. Darüber hinaus integrieren wir leichte Komponenten wie GSConv und VoV-GSCSP, um den Rechenaufwand zu reduzieren, ohne die Leistungseinbußen in Kauf zu nehmen. Zusätzlich entwickeln wir eine adaptive Power-Transformation-Label-Zuweisungsstrategie, die die Ausrichtung der Anchor-Metriken dynamisch anpasst. Durch die Einbeziehung von weichen Labels und einem weichen Zentralbereichs-Loss wird das Modell gezielt darauf hingelenkt, hochwertige und gut ausgerichtete Vorhersagen zu priorisieren. Wir evaluieren SCoralDet auf dem Soft-Coral-Datensatz und erreichen eine Inferenz-Latenz von 9,52 ms sowie ein mAP50 von 81,9. Dies übertrifft die Leistung von YOLOv5 (79,9), YOLOv6 (79,4), YOLOv8 (79,5), YOLOv9 (78,3) und YOLOv10 (79,5). Diese Ergebnisse belegen die Effektivität und Praktikabilität von SCoralDet bei Aufgaben der Unterwasser-Korallendetektion.