La detección de objetos pequeños es una de las tareas desafiantes en visión por computadora. La mayoría de los modelos de detección de objetos pequeños existentes no pueden extraer completamente las características de los objetos pequeños dentro de una imagen, debido al área de cobertura reducida, baja resolución e información detallada poco clara de los objetos pequeños en la imagen; por lo tanto, el efecto de estos modelos no es ideal. Para resolver este problema, se propone una red piramidal de características reforzadas simple y eficiente R-FPN para el algoritmo YOLOv5. Se introduce un peso aprendible para mostrar la importancia de diferentes características de entrada, aprovechar al máximo la información útil de diferentes capas de características y fortalecer la extracción de características de objetos pequeños. Al mismo tiempo, se propone un módulo de atención mixta de espacio de canal CSMA para extraer la información detallada de los objetos pequeños combinando espacios y canales, suprimir otra información inútil y mejorar aún más la precisión de la detección de objetos pequeños. Los resultados experimentales muestran que el método propuesto mejora la precisión promedio AP, AP50 y AR100 del algoritmo original en un 2.11%, 2.86% y 1.94%, respectivamente, y el efecto de detección es mejor que los algoritmos existentes de detección de objetos pequeños, lo que demuestra la efectividad del método propuesto.