La detección rápida y precisa de humo es muy importante para reducir los daños por incendios. Debido a la complejidad y naturaleza cambiante de las escenas de humo, la tecnología de detección de humo existente tiene problemas de baja tasa de detección y alta tasa de falsos negativos, y la robustez y capacidad de generalización de los algoritmos no son altas. Por lo tanto, este documento propone un modelo de detección de humo basado en el YOLOv5 mejorado. Primero, se recopilaron una gran cantidad de imágenes reales de humo y de humo sintético para formar un conjunto de datos. Se utilizaron diferentes funciones de pérdida (GIoU, DIoU, CIoU) en tres modelos diferentes de YOLOv5 (YOLOv5s, YOLOv5m, YOLOv5l), y se utilizó YOLOv5m como modelo de referencia. Luego, debido al problema de un pequeño número de muestras de entrenamiento de humo, se utilizó el método de mejora de mosaico para recortar, escalar y disponer aleatoriamente nueve imágenes para formar nuevas imágenes. Para resolver el problema de la información previa inexacta de la caja del ancla en YOLOv5, se propone un mecanismo de caja de ancla dinámica. Se generó una caja de ancla para el conjunto de datos de entrenamiento a través del algoritmo de agrupamiento k-means++. Se añadió un módulo de caja de ancla dinámica al modelo, y el tamaño y la posición de la caja de ancla se actualizaron dinámicamente en el proceso de entrenamiento de la red. Con el objetivo de abordar el problema de mapas de características desequilibrados en diferentes escalas de YOLOv5, se propone un mecanismo de atención para mejorar el rendimiento de detección de la red mediante la adición de atención de canal y atención espacial a la estructura de red original. En comparación con el algoritmo tradicional de aprendizaje profundo, el rendimiento de detección del algoritmo mejorado en este documento es un 4,4% más alto que el mAP del modelo de referencia, y la velocidad de detección alcanzó 85 FPS, lo cual es notablemente mejor y puede cumplir con los requisitos de aplicación de ingeniería.