En los últimos años, muchos métodos de detección de objetos basados en aprendizaje profundo han tenido un buen rendimiento en diversas aplicaciones, especialmente en la detección de objetos a gran escala. Sin embargo, al detectar objetivos pequeños, los algoritmos de detección de objetos anteriores no pueden lograr buenos resultados debido a las características de los propios objetivos pequeños. Para abordar los problemas mencionados, proponemos el modelo de algoritmo para objetos pequeños MCF-YOLOv5, que ha pasado por tres mejoras basadas en YOLOv5. En primer lugar, se utiliza una estrategia de aumento de datos que combina Mixup y Mosaic para aumentar el número de objetivos pequeños en la imagen y reducir la interferencia del ruido y los cambios en la detección. En segundo lugar, para localizar con precisión la posición de los objetivos pequeños y reducir el impacto de la información no importante sobre los objetivos pequeños en la imagen, se introduce el mecanismo de atención de atención coordinada en la red de cuello de botella de YOLOv5. Finalmente, mejoramos la estructura de la Red Piramidal de Características (FPN) y añadimos una capa de detección de objetos pequeños para mejorar la capacidad de extracción de características de los objetos pequeños y mejorar la precisión de detección de los objetos pequeños. Los resultados experimentales muestran que, con un pequeño aumento en la complejidad computacional, el MCF-YOLOv5 propuesto logra un mejor rendimiento que la línea base tanto en el conjunto de datos VisDrone2021 como en el conjunto de datos Tsinghua Tencent100K. En comparación con YOLOv5, MCF-YOLOv5 ha mejorado la APsmall de detección en un 3.3% y un 3.6%, respectivamente.