La detección y reconocimiento de semáforos son cruciales para mejorar la seguridad de los sistemas no tripulados. Este estudio propone un algoritmo de detección de semáforos basado en YOLOv5 para abordar los desafíos planteados por objetivos pequeños y fondos urbanos complejos. Inicialmente, se emplea el método Mosaic-9 para mejorar el conjunto de datos de entrenamiento, mejorando así la capacidad de generalización y adaptación de la red a escenarios del mundo real. Además, se incorpora el mecanismo de atención Squeeze-and-Excitation (SE) para mejorar la red. Además, la función de pérdida del algoritmo YOLOv5 se optimiza sustituyéndola por la pérdida de Intersección Eficiente sobre Unión (EIoU_loss), que aborda problemas como la detección perdida y las falsas alarmas. Los resultados experimentales demuestran que el modelo entrenado con esta red mejorada logra un mAP (precisión promedio) del 99.4% en un conjunto de datos personalizado, que es un 6.3% más alto que el de YOLOv5 original, manteniendo una velocidad de detección de 74 f/s. Por lo tanto, este algoritmo ofrece una mayor precisión de detección y cumple efectivamente con los requisitos operativos en tiempo real. El método propuesto tiene un fuerte potencial de aplicación y puede ser ampliamente utilizado en el campo de la conducción automática, asistida, etc. Su aplicación no solo es de gran importancia para mejorar la precisión y velocidad de detección de señales de tráfico, sino que también puede proporcionar soporte técnico para el desarrollo de sistemas de transporte inteligentes.