La silla de ruedas inteligente detección de obstáculos en el punto ciego es un problema importante para entornos especiales semi-encerrados en comunidades de ancianos. Sin embargo, las soluciones basadas en LiDAR y nube de puntos 3D son caras, complejas de implementar y requieren recursos informáticos y tiempo significativos. Este documento propuso un modelo de detección de obstáculos ligero YOLOV5 mejorado, llamado GC-YOLO, y construyó un conjunto de datos de obstáculos que consta de imágenes de objetivos incompletas capturadas en la vista del punto ciego de la silla de ruedas inteligente. Las operaciones de extracción de características se simplifican en la sección de columna vertebral y cuello de GC-YOLO. La red de columna vertebral utiliza GhostConv en la red GhostNet para reemplazar la convolución ordinaria en la red de extracción de características original, reduciendo el tamaño del modelo. Mientras tanto, se aplica CoordAttention, con el objetivo de reducir la pérdida de información de ubicación causada por GhostConv. Además, la sección del cuello utiliza un módulo de combinación del módulo de atención SE más ligero y el módulo GhostConv para mejorar la capacidad de extracción de características. Los resultados experimentales muestran que el GC-YOLO propuesto supera al YOLO5 en términos de parámetros del modelo, GFLOPS y F1. En comparación con el YOLO5, el número de parámetros del modelo y GFLOPS se reduce en un 38% y 49.7%, respectivamente. Además, el F1 del GC-YOLO propuesto se mejora en un 10% en el conjunto de datos PASCAL VOC. Además, el GC-YOLO propuesto logró un mAP del 90% en el conjunto de datos personalizado.