Los sistemas de tráfico inteligente representan uno de los dominios cruciales en el mundo actual, con el objetivo de mejorar la eficiencia en la gestión del tráfico y la seguridad vial. Sin embargo, los sistemas de tráfico inteligente actuales todavía enfrentan varios desafíos, especialmente en el ámbito de la detección de objetivos. Estos desafíos incluyen la adaptación a escenarios de tráfico complejos y la falta de detección precisa para múltiples objetos. Para abordar estos problemas, proponemos un enfoque innovador conocido como YOLOv8-SnakeVision. Este método introduce la Convolución de Serpiente Dinámica, Mecanismos de Atención de Agregación de Contexto y la estrategia Wise-IoU dentro del marco de YOLOv8 para mejorar el rendimiento de la detección de objetivos. La Convolución de Serpiente Dinámica ayuda a capturar con precisión formas y características de objetos complejos, especialmente en casos de oclusión u superposición de objetivos. Los Mecanismos de Atención de Agregación de Contexto permiten que el modelo se enfoque mejor en regiones críticas de la imagen e integre información de manera efectiva, mejorando su capacidad para reconocer objetivos oscurecidos, objetos pequeños y patrones complejos. La estrategia Wise-IoU combina mecanismos de enfoque no monótonos dinámicos, con el objetivo de regresar de manera más precisa las cajas delimitadoras de los objetivos, especialmente para ejemplos de baja calidad. Validamos nuestro enfoque en los conjuntos de datos BDD100K y NEXET. Los resultados experimentales demuestran que YOLOv8-SnakeVision sobresale en varios escenarios de tráfico complejos. No solo mejora la detección de objetos pequeños, sino que también fortalece la capacidad de reconocer múltiples objetivos. Este método innovador brinda un sólido apoyo para el desarrollo de sistemas de tráfico inteligente y promete lograr avances adicionales en futuras aplicaciones.