Los vehículos conectados cooperativos y automatizados (CAM) y los coches autónomos necesitan lograr una comprensión del entorno robusta y precisa. Con este objetivo, suelen estar equipados con sensores y adoptan múltiples estrategias de detección, también fusionadas entre sí para explotar sus propiedades complementarias. En los últimos años, se han aplicado enfoques basados en inteligencia artificial como el aprendizaje automático y el aprendizaje profundo para la detección de objetos y peatones, y la cuantificación de la fiabilidad de la predicción. Este artículo propone un procedimiento basado en el método YOLOv8 (You Only Look Once) para descubrir objetos en las carreteras como coches, semáforos, peatones y señales de tráfico en condiciones de niebla. En particular, YOLOv8 es una versión reciente de YOLO, un modelo de red neuronal popular utilizado para la detección de objetos y la clasificación de imágenes. El modelo obtenido se aplica a un conjunto de datos que incluye alrededor de 4000 imágenes de carreteras con niebla y la precisión de detección de objetos se mejora cambiando hiperparámetros como épocas, tamaño de lote y métodos de aumento. Para lograr una buena precisión y pocos errores en la detección de objetos en las imágenes, los hiperparámetros se optimizan mediante cuatro métodos diferentes, y se consideran diferentes métricas, a saber, factor de precisión, precisión, recuperación, precisión-recuperación y pérdida.