El reconocimiento de objetos es la técnica de especificar la ubicación de varios objetos en imágenes o videos. Existen numerosos algoritmos para el reconocimiento de objetos como R-CNN, Fast R-CNN, Faster R-CNN, HOG, R-FCN, SSD, SSP-net, SVM, CNN, YOLO, etc., basados en las técnicas de aprendizaje automático y aprendizaje profundo. Aunque estos modelos se han utilizado para varios tipos de aplicaciones de detección de objetos, la detección de objetos pequeños enfrenta el desafío de baja precisión. Es esencial desarrollar un modelo ligero y robusto para la detección de objetos que pueda detectar objetos pequeños con alta precisión. En este estudio, sugerimos un algoritmo YOLOv2 mejorado (You Only Look Once versión 2) para la detección de objetos, es decir, la detección y reconocimiento de vehículos en videos de vigilancia. Modificamos la red base del YOLOv2 reduciendo el número de parámetros y reemplazándolo con DenseNet. Empleamos la técnica DenseNet-201 para la extracción de características en nuestro modelo mejorado que extrae las características más representativas de las imágenes. Además, nuestro modelo propuesto es más compacto debido a la arquitectura densa de la red base. Utilizamos DenseNet-201 como red base debido a la conexión directa entre todas las capas, lo que ayuda a extraer información valiosa desde la primera capa y pasarla a la capa final. El conjunto de datos recopilado de Kaggle y KITTI se utilizó para el entrenamiento del modelo propuesto, y validamos el rendimiento utilizando los conjuntos de datos MS COCO y Pascal VOC. Para evaluar la eficacia del modelo propuesto, utilizamos una experimentación extensiva, que demuestra que nuestro algoritmo supera a los enfoques de detección de vehículos existentes, con una precisión promedio del 97.51%.