Las imágenes capturadas utilizando vehículos aéreos no tripulados (UAVs) a menudo presentan una distribución densa de objetivos y características poco claras, lo que conduce a problemas de detección perdida y detección falsa en tareas de detección de objetivos. Para abordar estos problemas, se propone un método mejorado para la detección de objetivos pequeños llamado YOLOv5s para mejorar la precisión de detección de objetivos pequeños como las manzanas. Al aplicar mejoras al módulo RFA, al módulo DFP y al algoritmo Soft-NMS, así como integrar estos tres módulos juntos, se puede lograr una detección precisa de objetivos pequeños en imágenes. Los resultados experimentales demuestran que el modelo integrado y mejorado logró una mejora significativa en la precisión de detección, con una precisión, recall e incremento del 3.6%, 6.8% y 6.1%, respectivamente. Además, el método mejorado muestra una velocidad de convergencia más rápida y un valor de pérdida más bajo durante el proceso de entrenamiento, lo que resulta en una mayor precisión de reconocimiento. Los resultados de este estudio indican que el método mejorado propuesto muestra un buen rendimiento en tareas de detección de frutas de manzana que implican imágenes de UAV, lo cual es de gran importancia para la estimación del rendimiento de frutas. Los hallazgos de la investigación demuestran la efectividad y viabilidad del método mejorado para abordar tareas de detección de objetivos pequeños, como la detección de frutas de manzana.