Para abordar las altas demandas computacionales y las limitaciones de precisión en la detección de objetos infrarrojos basada en UAV, este estudio propone YOLO-SMUG, un algoritmo de detección ligero optimizado para la identificación de objetos pequeños. El modelo incorpora una arquitectura de backbone mejorada que integra el algoritmo ligero Shuffle_Block y el mecanismo de Atención Dilatada Multi-escala (MSDA), lo que permite una extracción efectiva de características de objetos pequeños mientras reduce significativamente el tamaño de los parámetros y el costo computacional sin comprometer la precisión de detección. Además, una estructura de cuello de botella invertido ligera, C2f_UIB, junto con el módulo GhostConv, reemplaza las capas de C2f convencionales y las capas convolucionales estándar. Esta modificación disminuye la complejidad computacional mientras mantiene la capacidad del modelo para capturar e integrar información esencial de características a través de múltiples escalas. Además, la pérdida CIoU estándar se sustituye por la pérdida MPDIoU, mejorando la precisión de localización de objetos y aumentando la precisión general de posicionamiento en imágenes infrarrojas. Los resultados experimentales en el conjunto de datos HIT-UAV, que consiste en imágenes infrarrojas recopiladas por plataformas UAV, demuestran que YOLO-SMUG supera al modelo base YOLOv8s, logrando un aumento del 3.58% en precisión, una mejora del 6.49% en la puntuación F1, una reducción del 57.04% en el costo computacional y una disminución del 64.38% en el conteo de parámetros. Estos hallazgos subrayan la eficiencia y efectividad de YOLO-SMUG, convirtiéndolo en una solución prometedora para la detección de objetos pequeños infrarrojos basada en UAV en entornos complejos.