Durante la operación de vehículos aéreos no tripulados (UAVs) agrícolas en huertos, la presencia de postes de luz y cables representa una seria amenaza para la seguridad de vuelo, e incluso puede provocar accidentes. Debido a la dificultad de detectar directamente los cables, esta investigación tuvo como objetivo detectar de manera rápida y precisa los postes de cables, y propuso un algoritmo de detección de objetos de aprendizaje profundo Yolov5s mejorado llamado Yolov5s-Pole. El algoritmo mejora la capacidad de generalización y robustez del modelo al aplicar la técnica de aumento de datos Mixup, reemplaza el módulo C3 con el módulo GhostBottleneck para reducir los parámetros del modelo y la complejidad computacional, e incorpora el módulo de Atención Shuffle (SA) para mejorar su enfoque en objetivos pequeños. Los resultados muestran que cuando se utilizó el modelo mejorado Yolov5s-Pole para detectar postes en huertos, su precisión, recall y mAP@50 fueron de 0,803, 0,831 y 0,838 respectivamente, lo que aumentó en un 0,5%, 10% y 9,2% en comparación con el modelo original Yolov5s. Además, los pesos, parámetros y GFLOPs del modelo Yolov5s-Pole fueron de 7,86 MB, 3.974.310 y 9, respectivamente. En comparación con el modelo original Yolov5s, estos representan tasas de compresión del 42,2%, 43,4% y 43,3%, respectivamente. El tiempo de detección para una sola imagen utilizando este modelo fue de 4,2 ms, y se demostró una buena robustez bajo diferentes condiciones de iluminación (oscura, normal y brillante). El modelo es adecuado para desplegarse en el equipo a bordo de los UAVs agrícolas, y tiene una gran importancia práctica para garantizar la eficiencia y la seguridad de vuelo de los UAVs agrícolas.