El monitoreo de aves acuáticas es la base de las estrategias de conservación y gestión en casi todos los tipos de ecosistemas de humedales. La infraestructura mejorada de protección de humedales en China, que incluye dispositivos remotos para la recolección de mayores cantidades de datos acústicos y visuales sobre especies de vida silvestre, aumentó la necesidad de técnicas de filtrado y análisis de datos. La detección de objetos basada en aprendizaje profundo ha surgido como una solución básica para el análisis de grandes datos que ha sido probada en varios campos de aplicación. Sin embargo, estas técnicas de aprendizaje profundo aún no se han probado para la detección de aves acuáticas pequeñas a partir de videos de vigilancia en tiempo real, lo que puede abordar el desafío del monitoreo de aves acuáticas en tiempo real. Proponemos un método de detección mejorado al agregar una cabeza de predicción adicional, un módulo de atención SimAM y un marco secuencial a YOLOv7, denominado YOLOv7-avesacuáticas, para dispositivos de vigilancia de video en tiempo real que identifiquen regiones de atención y realicen tareas de monitoreo de aves acuáticas. Con el Conjunto de Datos de Aves Acuáticas, el valor de precisión media promedio (mAP) de YOLOv7-avesacuáticas fue del 67.3%, que fue aproximadamente un 5% más alto que el del modelo base. Además, el método mejorado logró un recall del 87.9% (precisión = 85%) y 79.1% para aves acuáticas pequeñas (definidas como píxeles menores de 40 x 40), lo que sugiere un mejor rendimiento para la detección de objetos pequeños que el método original. Este algoritmo podría ser utilizado por la administración de áreas protegidas u otros grupos para monitorear aves acuáticas con mayor precisión utilizando cámaras de vigilancia existentes y puede ayudar en la conservación de la vida silvestre hasta cierto punto.