Para abordar el mayor número de objetos pequeños y los problemas de oclusión y agrupamiento en la fotografía aérea con UAV, que pueden llevar a falsos positivos y detecciones perdidas, proponemos un algoritmo mejorado de detección de objetos pequeños para escenarios aéreos con UAV llamado YOLOv8 con cabeza de predicción pequeña y Convolución Espacio-a-Profundidad (HSP-YOLOv8). En primer lugar, se añade una cabeza de predicción pequeña específicamente para objetivos pequeños para proporcionar un mapeo de características de mayor resolución, lo que permite mejores predicciones. En segundo lugar, diseñamos el módulo de Convolución Espacio-a-Profundidad (SPD-Conv) para mitigar la pérdida de información de características de objetivos pequeños y mejorar la robustez de la información de características. Por último, se utiliza la supresión suave de no-máximos (Soft-NMS) en la etapa de post-procesamiento para mejorar la precisión al reducir significativamente los falsos positivos en los resultados de detección. En experimentos con el conjunto de datos Visdrone2019, el algoritmo mejorado aumentó la precisión de detección mAP0.5 y los valores mAP0.5:0.95 en un 11% y un 9.8%, respectivamente, en comparación con el modelo base YOLOv8s.