En las ciudades inteligentes, la gestión efectiva de la congestión del tráfico depende de la detección hábil de peatones y vehículos. Los Vehículos Aéreos No Tripulados (VANT) ofrecen una solución con movilidad, rentabilidad y un amplio campo de visión, y sin embargo, optimizar los modelos de reconocimiento es crucial para superar los desafíos que plantean los objetos pequeños y ocultos. Para abordar estos problemas, utilizamos el modelo YOLOv8s y un bloque Swin Transformer e introducimos el modelo PVswin-YOLOv8s para la detección de peatones y vehículos basados en VANT. En primer lugar, la red base de YOLOv8s incorpora el modelo Swin Transformer para la extracción de características globales para la detección de objetos pequeños. En segundo lugar, para abordar el desafío de las detecciones perdidas, optamos por integrar el CBAM en el cuello de YOLOv8. Se utilizan tanto los módulos de atención de canal como de atención espacial en esta adición debido a lo bien que extraen el flujo de información de características a través de la red. Finalmente, empleamos Soft-NMS para mejorar la precisión de la detección de peatones y vehículos en situaciones de oclusión. Soft-NMS aumenta el rendimiento y gestiona bien las cajas de límites superpuestas. La red propuesta redujo la fracción de objetos pequeños pasados por alto y mejoró el rendimiento de detección del modelo. Se utilizaron comparaciones de rendimiento con diferentes versiones de YOLO (por ejemplo, YOLOv3 extremadamente pequeño, YOLOv5, YOLOv6 y YOLOv7), variantes de YOLOv8 (YOLOv8n, YOLOv8s, YOLOv8m y YOLOv8l) y detectores de objetos clásicos (Faster-RCNN, Cascade R-CNN, RetinaNet y CenterNet) para validar la superioridad del modelo propuesto PVswin-YOLOv8s. La eficiencia del modelo PVswin-YOLOv8s fue confirmada por los hallazgos experimentales, que mostraron un aumento del 4.8% en la precisión media de detección (mAP) en comparación con YOLOv8s en el conjunto de datos VisDrone2019.