El aumento de los accidentes de incendio causados por la carga interior de bicicletas eléctricas ha generado preocupación entre las personas. El monitoreo de las BE en ascensores es un desafío y el método actual de detección de objetos es una variante de YOLOv5, que enfrenta problemas con el cálculo de la carga y la tasa de detección. Para abordar este problema, este artículo presenta un método mejorado y ligero basado en YOLOv5s para detectar BE en ascensores. Este método introduce el módulo MobileNetV2 para lograr un rendimiento ligero del modelo. Al introducir el mecanismo de atención CBAM y la Red Piramidal de Características Bidireccionales (BiFPN) en la red del cuello de YOLOv5s, se mejora la precisión de detección. Para verificar mejor que el modelo se pueda implementar en el borde de un ascensor, este artículo lo implementa utilizando la placa de desarrollo integrada Raspberry Pi 4B y lo conecta a un zumbador para la verificación de la aplicación. Los resultados experimentales demuestran que los parámetros del modelo de las BE se reducen en un 58.4%, la complejidad computacional se reduce en un 50.6%, la precisión de detección alcanza el 95.9% y se logra la detección en tiempo real de vehículos eléctricos en ascensores.