Detectar objetivos pequeños y manejar la occlusión y superposición de objetivos son desafíos críticos en la detección de defectos de soldadura. En este documento, proponemos el modelo S-YOLO, un nuevo método de detección de defectos de soldadura basado en el modelo YOLOv8-nano y varias técnicas matemáticas, específicamente diseñadas para abordar estos problemas. Nuestro enfoque incluye varias contribuciones clave. En primer lugar, introducimos la convolución dinámica omni-dimensional, que es sensible a los objetivos pequeños, para una mejor extracción de características. En segundo lugar, el mecanismo de atención NAM mejora la representación de características en la región de interés. NAM calcula los pesos de atención de manera canal y espacial mediante multiplicaciones de matrices y operaciones elemento por elemento, y luego los aplica a los mapas de características. Además, reemplazamos el módulo SPPF con un módulo de aumento de contexto para mejorar la resolución y calidad del mapa de características. Para minimizar la pérdida de información, utilizamos el upsampling de Carafe en lugar de las operaciones de upsampling convencionales. Además, utilizamos una función de pérdida que combina IoU, entropía cruzada binaria y pérdida focal para mejorar la regresión de cuadros delimitadores y la clasificación de objetos. Utilizamos descenso de gradiente estocástico (SGD) con momento y decaimiento de peso para actualizar los parámetros de nuestro modelo. A través de una rigurosa validación experimental, nuestro modelo S-YOLO demuestra una precisión y eficiencia sobresalientes en la detección de defectos de soldadura. Aborda de manera efectiva los desafíos de detección de objetivos pequeños, occlusión de objetivos y superposición de objetivos. Especialmente, el modelo propuesto logra una impresionante mejora del 8.9% en la Precisión Promedio de la Media (mAP) en comparación con el modelo nativo.