En las escenas de tráfico, la detección de objetivos peatonales enfrenta problemas significativos de detección errónea y omisión debido a factores como la densidad de la multitud y la oclusión de obstáculos. Para abordar estos desafíos y mejorar la precisión de la detección, proponemos un algoritmo mejorado CCW-YOLO. El algoritmo primero introduce una capa convolucional ligera utilizando GhostConv e incorpora un módulo C2f mejorado para mejorar el rendimiento de detección de la red. Además, integra el módulo de Atención de Coordenadas para capturar mejor los puntos clave de los objetivos. A continuación, la función de pérdida de la caja delimitadora CIoU en la salida de YOLOv5 se reemplaza con la pérdida WiseIoU para mejorar la adaptabilidad a varios escenarios de detección, mejorando así aún más la precisión. Finalmente, desarrollamos un sistema de detección de conteo de peatones utilizando PyQt5 para mejorar la interacción humano-computadora. Los resultados experimentales en el conjunto de datos público INRIA mostraron que nuestro algoritmo logró una precisión de detección del 98.4%, lo que representa una mejora del 10.1% sobre el algoritmo original YOLOv5s. Este avance mejora significativamente la detección de objetos pequeños en imágenes y aborda de manera efectiva los problemas de detección errónea y omisión en entornos complejos. Estos hallazgos tienen importantes implicaciones prácticas para garantizar la seguridad vial y optimizar el flujo de tráfico.