Las escenas naturales de apareamiento tienen las características de un gran número de vacas, iluminación compleja y un entorno de fondo complejo, lo que presenta grandes dificultades para la detección del comportamiento de celo de las vacas lecheras. Sin embargo, la investigación existente sobre la detección del comportamiento de celo de las vacas funciona bien en entornos ideales con un pequeño número de vacas y tiene una velocidad de inferencia y precisión bajas en escenas naturales. Para mejorar la velocidad de inferencia y precisión del comportamiento de celo de las vacas en escenas naturales, este documento propone un método de detección de comportamiento de celo de vacas basado en el YOLOv5 mejorado. Al mejorar el modelo YOLOv5, tiene una mayor capacidad de detección para entornos complejos y objetos a múltiples escalas. Primero, se emplea el módulo de agrupación piramidal espacial atrous (ASPP) para optimizar la red YOLOv5l en múltiples escalas, lo que mejora el campo receptivo del modelo y la capacidad de percibir información global contextual a múltiples escalas. En segundo lugar, se construye un modelo de detección de comportamiento de celo de vacas combinando el mecanismo de atención al canal y un módulo de botella asimétrica profunda. Por último, se realiza un agrupamiento K-means para obtener nuevos anclajes y se utiliza la intersección completa sobre la unión (CIoU) para introducir la relación relativa entre la caja predicha del montaje de la vaca y la verdadera caja del montaje de la vaca en la función de predicción de la caja de regresión para mejorar la invarianza de escala del modelo. Se instalaron múltiples cámaras en una escena natural de apareamiento que contenía 200 vacas para capturar videos de montaje de vacas. Se obtuvieron un total de 2668 imágenes de 115 videos de eventos de montaje de vacas del conjunto de entrenamiento y 675 imágenes de 29 videos de eventos de montaje de vacas del conjunto de pruebas. El conjunto de entrenamiento se aumenta mediante el método mosaico para aumentar la diversidad del conjunto de datos. Los resultados experimentales muestran que la precisión promedio del modelo mejorado fue del 94.3%, que la precisión fue del 97.0% y que la recuperación fue del 89.5%, que fueron más altos que los de modelos convencionales como YOLOv5, YOLOv3 y Faster R-CNN. Los resultados de los experimentos de ablación muestran que ASPP, nuevos anclajes, C3SAB y C3DAB diseñados en este estudio pueden mejorar la precisión del modelo en un 5.9%. Además, cuando la convolución dilatada de ASPP se estableció en (1,5,9,13) y la función de pérdida se estableció en CIoU, el modelo tuvo la mayor precisión. La función de mapa de activación de clase se utilizó para visualizar los resultados de extracción de características del modelo y explicar la región de interés del modelo para imágenes de vacas en escenas naturales, lo que demuestra la efectividad del modelo. Por lo tanto, el modelo propuesto en este estudio puede mejorar la precisión del modelo para detectar eventos de celo de vacas. Además, la velocidad de inferencia del modelo fue de 71 cuadros por segundo (fps), lo que cumple con los requisitos de detección rápida y precisa de eventos de celo de vacas en escenas naturales y condiciones climáticas adversas.