Se propone un algoritmo de detección de vida silvestre en bosques basado en un modelo de red YOLOv5s mejorado para avanzar en el monitoreo de la vida silvestre en bosques y mejorar la precisión de detección en entornos forestales complejos. Esta investigación utiliza un conjunto de datos del Reserva Natural Nacional Hupingshan en Hunan, China, al que se aplican métodos de aumento y expansión de datos para entrenar extensivamente el modelo propuesto. Para mejorar la capacidad de extracción de características del modelo propuesto, se introduce un método de costura de canales ponderados basado en la atención de canales. El módulo Swin Transformer se combina con una red CNN para agregar un mecanismo de autoatención, mejorando así el campo perceptual para la extracción de características. Además, se adoptan una nueva función de pérdida y una pérdida de supresión de clase adaptativa para acelerar la velocidad de convergencia del modelo, reducir las detecciones falsas en categorías confusas y aumentar su precisión. Al comparar nuestro algoritmo mejorado con el modelo de red YOLOv5s original bajo las mismas condiciones experimentales y conjunto de datos, se observan mejoras significativas, en particular, la precisión media promedio aumenta del 72.6% al 89.4%, lo que representa una mejora de precisión del 16.8%. Nuestro algoritmo mejorado también supera a algoritmos populares de detección de objetivos, incluidos YOLOv5s, YOLOv3, RetinaNet y Faster-RCNN. Nuestras medidas de mejora pueden abordar bien los desafíos planteados por el bajo contraste entre el fondo y los objetivos, así como la oclusión y superposición, en imágenes de vida silvestre en bosques capturadas por cámaras trampa. Estas medidas proporcionan soluciones prácticas para una mejor protección de la vida silvestre en bosques y facilitan la adquisición eficiente de datos.