Los vehículos autónomos enfrentan desafíos en la detección de objetivos pequeños y, en particular, en la identificación precisa de semáforos en condiciones de baja visibilidad, como niebla, lluvia y iluminación nocturna difusa. Para abordar estos problemas, este documento propone un algoritmo mejorado, denominado KCS-YOLO (you only look once), para aumentar la precisión en la detección y reconocimiento de semáforos en condiciones de baja visibilidad. Primero, se realizó una comparación para evaluar diferentes algoritmos YOLO. El punto de referencia indica que el algoritmo YOLOv5n logra la mayor precisión media promedio (mAP) con menos parámetros. Para mejorar la capacidad de detección de objetivos pequeños, se desarrolló el algoritmo basado en YOLOv5n, denominado KCS-YOLO, utilizando el algoritmo K-means++ para agrupar marcos de objetivos multidimensionales marcados, incorporando el módulo de atención de bloque de convolución (CBAM) y construyendo una capa de detección de objetivos pequeños. En segundo lugar, se generó un conjunto de datos de imágenes de semáforos, que se preprocesó utilizando el algoritmo de desneblado de canal oscuro para mejorar la capacidad de reconocimiento y robustez del algoritmo propuesto. Finalmente, KCS-YOLO fue evaluado a través de experimentos de comparación y ablación. Los resultados experimentales mostraron que el mAP de KCS-YOLO alcanza el 98.87%, un aumento del 5.03% en comparación con su contraparte de YOLOv5n. Esto indica que KCS-YOLO presenta una alta precisión en la detección y reconocimiento de objetos, mejorando así la capacidad de detección y reconocimiento de semáforos para vehículos autónomos en condiciones de baja visibilidad.