En respuesta al bajo rendimiento de las tareas de reconocimiento de pequeños objetivos a larga distancia y monitoreo inteligente en tiempo real, este documento propone un método de reconocimiento basado en aprendizaje profundo destinado a mejorar la capacidad de reconocer y monitorear varios comportamientos de ovejas cautivas. Además, hemos desarrollado una plataforma de sistema basada en ELFN-YOLO para monitorear los comportamientos de las ovejas. ELFN-YOLO mejora el rendimiento general del modelo al combinar ELFN con el mecanismo de atención CBAM. ELFN refuerza múltiples capas con menos parámetros, mientras que el mecanismo de atención enfatiza aún más la interacción de la información del canal basada en ELFN. También mejora la capacidad de ELFN para extraer información espacial en escenarios de oclusión de pequeños objetivos, lo que lleva a mejores resultados de reconocimiento. ELFN-YOLO propuesto logró una precisión del 92.5%, una puntuación F1 del 92.5%, y un mAP@0.5 del 94.7% en el conjunto de datos de comportamiento de ovejas construido en granjas comerciales, superando a YOLOv7-Tiny en un 1.5%, 0.8%, y 0.7% en términos de precisión, puntuación F1 y mAP@0.5, respectivamente. También superó a otros modelos de referencia como Faster R-CNN, YOLOv4-Tiny y YOLOv5s. Los resultados obtenidos indican que el enfoque propuesto supera a los métodos existentes en escenarios que involucran la detección multiescala de objetos pequeños. El método propuesto es de gran importancia para fortalecer el bienestar animal y la gestión de ovejas, y proporciona un soporte de datos valioso para algoritmos de seguimiento subsiguientes para monitorear el estado de actividad de las ovejas.