Existen pequeños objetivos en gran cantidad en diversos campos. Son ampliamente utilizados en aeroespacial, monitoreo de video y detección industrial. Sin embargo, debido a sus diminutas dimensiones y modesta resolución, la precisión de la detección de pequeños objetivos es baja y la tasa de detección errónea es alta. Por lo tanto, se propone un modelo mejorado de detección de pequeños objetivos basado en YOLOv5. En primer lugar, para mejorar el número de pequeños objetivos detectados mientras se mejora el rendimiento de detección de pequeños objetivos, se agrega una cabeza de detección adicional. En segundo lugar, se utiliza la involución entre la columna vertebral y el cuello para aumentar la información del canal del mapeo de características. En tercer lugar, el modelo introduce el BiFormer, donde se captura simultáneamente la información de características globales y locales mediante su mecanismo de atención de enrutamiento de doble capa. Finalmente, se inserta un módulo de aumento de contexto (CAM) en el cuello para maximizar la estructura de fusión de características. Además, para considerar simultáneamente entre el marco real requerido y el marco de predicción, se intercambia la función de pérdida original de YOLOv5. Los resultados experimentales utilizando el conjunto de datos público VisDrone2019 muestran que el modelo propuesto tiene un aumento del P del 13.43%, un aumento del R del 11.28%, y un aumento del mAP@.5 y mAP@[.5:.95] del 13.88% y 9.01%, respectivamente.