Los avances recientes en inteligencia artificial (IA) han mejorado enormemente las capacidades de detección de objetos de vehículos autónomos, especialmente utilizando redes neuronales convolucionales (CNN). Sin embargo, lograr altos niveles de precisión y velocidad simultáneamente en entornos vehiculares sigue siendo un desafío. Por lo tanto, este documento propone un enfoque híbrido que incorpora las características de dos modelos de detección de objetos de última generación: You Only Look Once (YOLO) y Faster Region CNN (Faster R-CNN). El enfoque híbrido propuesto combina las capacidades de detección y selección de cuadros límite de YOLO con el agrupamiento de regiones de interés (RoI) de Faster R-CNN, lo que resulta en una mejor precisión de segmentación y clasificación. Además, se omite la Red de Propuesta de Regiones (RPN) de la arquitectura Faster R-CNN para optimizar el tiempo de procesamiento. El modelo híbrido se entrena en un conjunto de datos local de 10,000 imágenes de tráfico etiquetadas recopiladas durante escenarios de conducción, mejorando aún más su precisión. Los resultados muestran que nuestro enfoque híbrido propuesto supera a los modelos de última generación existentes, proporcionando tanto alta precisión como detección de objetos en tiempo real práctica para vehículos autónomos. Se observa que el modelo híbrido propuesto logra un aumento significativo en precisión, con mejoras que van del 5 al 7 por ciento en comparación con los modelos YOLO independientes. Los hallazgos de esta investigación tienen implicaciones prácticas para la integración de tecnologías de IA en sistemas de conducción autónoma.