Cuando se trabaja con objetos a una escala menor, la precisión de detección más alta y la velocidad de detección más rápida son características deseables. Los investigadores buscan dotar a los drones con estas atributos para mejorar el rendimiento al patrullar en áreas controladas para la detección de objetos. En este artículo, proponemos un modelo YOLOv7 mejorado. Al incorporar el módulo de atención a la variabilidad en la red principal del modelo original, se aumenta la asociación entre píxeles distantes, lo que resulta en una extracción de características más efectiva y, por lo tanto, en una mayor precisión de detección del modelo. Al mejorar el modelo de red original con módulos de convolución deformables y módulos de convolución separables en profundidad, el modelo mejora la extracción de información semántica de objetos pequeños y reduce el número de parámetros del modelo hasta cierto punto. Se utilizan técnicas de preentrenamiento y ajuste fino para el entrenamiento, y el modelo se vuelve a entrenar en el conjunto de datos VisDrone2019. Utilizando el conjunto de datos VisDrone2019, el modelo mejorado logra un mAP del 52,3% en el conjunto de validación. A través del análisis comparativo visual de los resultados de detección en nuestro conjunto de validación, encontramos que el modelo muestra una mejora significativa en la detección de objetos pequeños en comparación con iteraciones anteriores.