El vertido aleatorio de basura en ríos ha llevado al deterioro continuo de la calidad del agua y ha afectado el entorno de vida de las personas. La precisión de la detección de basura flotante en ríos se ve grandemente afectada por factores como la velocidad de flotación, la luz natural nocturna/diurna, el ángulo de visión y la posición, etc. Este documento propone un nuevo modelo de detección, llamado YOLOv5_, para la detección de objetos de basura flotante en ríos, basado en mejoras del modelo YOLOv5. En primer lugar, se añade un mecanismo de atención de coordenadas (A) al módulo C3 original (sin comprimir el número de canales en el cuello de botella), formando un nuevo módulo C3-CA-Uncompress Bottleneck (CCUB) para mejorar el tamaño del campo receptivo y permitir que el modelo preste más atención a partes importantes de las imágenes procesadas. Luego, la Red de Agregación de Caminos (PAN) en YOLOv5 se reemplaza por una Red Piramidal de Características Bidireccionales (iFPN), propuesta por otros investigadores, para mejorar la profundidad de la extracción de información y mejorar la capacidad de extracción de características y el rendimiento de detección del modelo. Además, la función de pérdida Complete Intersection over Union (CIoU), que originalmente se usaba en YOLOv5 para el cálculo de la puntuación de ubicación de la pérdida compuesta, se reemplaza por la función de pérdida SCYLLA-IoU (IoU), para acelerar la convergencia del modelo y mejorar su precisión de regresión. Los resultados, obtenidos a través de experimentos realizados en dos conjuntos de datos, demuestran que el modelo propuesto YOLOv5_CBS supera al modelo original YOLOv5, junto con otros tres modelos de última generación (Faster R-CNN, YOLOv3 y YOLOv4), cuando se utiliza para la detección de objetos de basura flotante en ríos, en términos de la , , y logrados alcanzando valores respectivos de 0.885, 90.85% y 0.8669 en el conjunto de datos privado, y 0.865, 92.18% y 0.9006 en el conjunto de datos público Flow-Img.