La detección de objetos en escenas de carreteras es una tarea que recientemente se ha vuelto popular y también es una parte importante de los sistemas de transporte inteligentes. Debido a las diferentes ubicaciones de las cámaras en las escenas de carreteras, el tamaño de los objetos de tráfico capturados varía enormemente, lo que impone una carga en la optimización de la red. Además, en algunas escenas de tráfico densas, el tamaño de los objetos de tráfico capturados es extremadamente pequeño y es fácil perder la detección y encontrarse con falsas detecciones. En este documento, proponemos un algoritmo YOLOv5s multi-escala mejorado basado en el algoritmo YOLOv5s. En detalle, agregamos una cabeza de detección para objetos extremadamente pequeños al modelo YOLOv5s original, lo que mejora significativamente la precisión en la detección de objetos de tráfico extremadamente pequeños. Se introduce un módulo de reensamblaje de características (CARAFE) en la parte de fusión de características para mejorar la fusión de características. Se introduce un nuevo módulo CNN de convolución SPD-Conv en lugar de la estructura convolucional original para mejorar la eficiencia computacional general del modelo. Finalmente, se introduce el módulo de atención basado en normalización (NAM), lo que permite que el modelo se enfoque en información más útil durante el entrenamiento y mejore significativamente la precisión de detección. Los resultados experimentales demuestran que en comparación con el algoritmo YOLOv5s original, la precisión de detección del modelo YOLOv5s multi-escala propuesto en este documento se mejora en un 7.1% en los conjuntos de datos de escenas de tráfico diversos construidos. El algoritmo YOLOv5s multi-escala mejorado también mantiene la mayor precisión de detección entre los algoritmos actuales de detección de objetos y es superior en el cumplimiento de la tarea de detectar objetos de tráfico en escenas de carreteras complejas.