La detección temprana y precisa de cálculos renales es crucial para un tratamiento efectivo y una mejora en los resultados del paciente. Este artículo propone una modificación novedosa del modelo YOLOv5, específicamente diseñada para detectar cálculos renales en imágenes de TC. Nuestro enfoque integra el bloque squeeze-and-excitation (SE) dentro del bloque C3 de la arquitectura YOLOv5m, mejorando así la capacidad del modelo para recalibrar dependencias a nivel de canal y capturar relaciones de características intrincadas. Esta modificación conduce a mejoras significativas en la precisión y confiabilidad de la detección. Se realizaron experimentos extensos para evaluar el rendimiento del modelo propuesto frente a variantes estándar de YOLOv5 (de tamaño nano, pequeño y mediano). Los resultados demuestran que nuestro modelo logra métricas de rendimiento superiores, incluyendo una mayor precisión, recall y precisión media promedio (mAP), manteniendo una velocidad de inferencia equilibrada y un tamaño de modelo adecuado para aplicaciones en tiempo real. La metodología propuesta incorpora técnicas avanzadas de reducción de ruido y aumento de datos para asegurar la preservación de características críticas y mejorar la robustez del conjunto de datos de entrenamiento. Además, un esquema de codificación de colores novedoso para cuadros delimitadores mejora la claridad y diferenciación de los cálculos detectados, facilitando un mejor análisis y comprensión de los resultados de detección. Nuestra evaluación exhaustiva utilizando métricas esenciales, como precisión, recall, mAP y la intersección sobre unión (IoU), subraya la eficacia del modelo propuesto para detectar cálculos renales. El modelo YOLOv5 modificado ofrece una solución robusta, precisa y eficiente para aplicaciones de imágenes médicas y representa un avance significativo en el diagnóstico asistido por computadora y la detección de cálculos renales.