En la actualidad, la fotografía aérea con UAV tiene un buen panorama en la producción agrícola, la respuesta a desastres y otros aspectos. La aplicación de UAVs puede mejorar significativamente la eficiencia laboral y la precisión en la toma de decisiones. Sin embargo, debido a características inherentes como un amplio campo de visión y grandes diferencias en la escala del objetivo en las imágenes de fotografía aérea con UAV, esto puede llevar a que los algoritmos de detección de objetivos existentes pierdan objetivos pequeños o causen detecciones incorrectas. Para resolver estos problemas, este artículo propone un algoritmo de detección de objetivos pequeños para la fotografía aérea con UAV basado en YOLOv5s mejorado. En primer lugar, se aplica una capa de detección de objetivos pequeños en el algoritmo para mejorar el rendimiento de detección de objetivos pequeños en las imágenes aéreas. En segundo lugar, se adopta el piramidal característico bidireccional Mul-BiFPN mejorado para reemplazar la red PANet y así mejorar la velocidad y precisión de la detección de objetivos. Luego, se reemplazó CIoU por Focal EIoU para acelerar la convergencia de la red y mejorar la precisión de regresión. Finalmente, se añade un mecanismo de atención no paramétrico llamado módulo M-SimAM para mejorar la capacidad de extracción de características. El algoritmo propuesto fue evaluado en el conjunto de datos VisDrone-2019. En comparación con YOLOV5s, el algoritmo mejoró en un 7.30%, 4.60%, 5.60% y 6.10%, respectivamente, en mAP@50, mAP@0.5:0.95, la tasa de precisión (P) y la tasa de recuperación (R). Los experimentos muestran que el algoritmo propuesto ha mejorado significativamente el rendimiento en objetivos pequeños en comparación con YOLOv5s.