La tecnología de imágenes infrarrojas tiene una amplia gama de aplicaciones en varios campos, siendo uno de sus usos más críticos la detección de pequeños objetivos infrarrojos. Sin embargo, los enfoques basados en modelos a menudo carecen de robustez para identificar estos pequeños objetivos, mientras que los métodos actuales basados en aprendizaje profundo enfrentan desafíos para extraer e integrar eficazmente características. Además, las estrategias de etiquetado apropiadas para pequeños objetivos infrarrojos siguen estando poco desarrolladas. Para abordar estas limitaciones, este documento propone un nuevo método de detección basado en YOLOv7. Específicamente, se incorpora un módulo de atención que aprovecha la Convolución Profunda en la columna vertebral de YOLOv7. Además, se diseña un nuevo Cuello de Fusión de Características para reemplazar el componente de cuello original de YOLOv7. Por último, se introduce una nueva estrategia de asignación de etiquetas. El método propuesto logra un mAP@0.5 del 99.5% y un mAP@0.75 del 71.6% en un conjunto de datos público, superando al YOLOv7 base en un 1% y 4.6%, respectivamente. En comparación con los métodos de detección de objetos basados en aprendizaje profundo de última generación, el enfoque propuesto demuestra un rendimiento superior.