La detección de obstáculos en la carretera es esencial para garantizar el funcionamiento fluido de las carreteras y salvaguardar la vida y la propiedad de los viajeros. Sin embargo, los métodos actuales de detección de obstáculos enfrentan desafíos como detecciones perdidas y falsos positivos. Para abordar estos problemas, se propone un algoritmo mejorado de detección de obstáculos basado en YOLOv5 (YOLOv5-EC3F). En primer lugar, se introduce un módulo efectivo de fusión de características a múltiples escalas (EMFF) para extraer características a múltiples escalas del mapa de características de entrada, proporcionando información semántica más rica y mejorando el rango perceptual. En segundo lugar, se reemplaza el módulo SPPF por el módulo C3SPPF para mejorar la comprensión del modelo sobre la información contextual y aumentar su adaptabilidad a múltiples escalas. Los resultados experimentales demuestran que, en el conjunto de datos personalizado, YOLOv5-EC3F aumenta el mAP en 3 puntos porcentuales a 82% y la recuperación en 7 puntos porcentuales a 78%, sin comprometer la precisión. Este estudio ofrece una valiosa estrategia de optimización para la aplicación práctica de la detección de obstáculos en la carretera.