La planificación de rutas es un problema clave en el diseño de sistemas de conducción autónoma, y la detección precisa de semáforos es muy importante para una planificación robusta. En este documento, diseñamos un modelo de detección de objetos, que se centra principalmente en la clasificación de semáforos a distancia. En el pasado, la mayoría de las técnicas empleadas en este campo estaban dominadas por redes neuronales convolucionales de alta intensidad (CNN), y se han logrado muchos avances. Sin embargo, el tamaño de los semáforos puede ser pequeño, y cómo detectarlos con precisión aún merece un estudio más detenido. En el dominio de la detección de objetos, el esquema de fusión de características y los métodos basados en transformadores han obtenido un buen rendimiento, mostrando su excelente capacidad de extracción de características. Dado esto, proponemos un modelo de detección de objetos que combina tanto la fusión de características piramidales como el mecanismo de autoatención. Específicamente, utilizamos el esqueleto del modelo de detección de objetos de una etapa principal que consta de una red piramidal de características de bi-fusión residual paralela (PRB) y módulos de atención, acoplados con ajuste arquitectónico y selección de optimizador. Nuestra arquitectura de red y diseño de módulos tienen como objetivo derivar de manera efectiva características útiles para detectar objetos pequeños. Los resultados experimentales revelan que el método propuesto muestra una mejora notable en muchos indicadores de rendimiento: precisión, recall, puntuación F1 y mAP, en comparación con los modelos estándar. En consecuencia, el método propuesto obtiene buenos resultados en la detección de semáforos.