La detección de objetos pequeños en entornos complejos es una cuestión de urgencia, no solo debido a la alta demanda del mundo real, sino también a los altos requisitos de implementación y tiempo real. Aunque muchos algoritmos actuales de una sola etapa tienen un buen rendimiento de detección bajo bajos requisitos de potencia informática, todavía existen desafíos significativos, como distinguir el fondo de las características del objeto y extraer características de objetivo a pequeña escala en entornos naturales complejos. Para abordar esto, primero creamos conjuntos de datos reales basados en entornos naturales y mejoramos la diversidad del conjunto de datos utilizando una combinación de mejora de copiar y pegar y múltiples técnicas de mejora de imágenes. En cuanto a la elección de la red, elegimos YOLOV5s debido a su naturaleza de menos parámetros y una implementación más sencilla en la misma clase de modelos. La mayoría de las estrategias de mejora para aumentar el rendimiento de detección afirman mejorar el rendimiento de extracción de privilegios y reconocimiento. Sin embargo, preferimos considerar la combinación de viabilidad realista de implementación y rendimiento de detección. Por lo tanto, basándonos en los métodos de mejora más recientes de YOLOV5s, intentamos realizar mejoras adaptativas en tres aspectos, a saber, mecanismo de atención, red principal y red de base. Los resultados experimentales demostraron que las mejoras basadas en la cabeza desacoplada y Slimneck lograron, respectivamente, 0.872 y 0.849, 0.538 y 0.479, 87.5% y 89.8% en las métricas de mAP0.5, mAP0.5:0.95 y Precisión, superando los resultados del modelo base en estas tres métricas: 0.705, 0.405 y 83.6%. Este resultado sugiere que el modelo mejorado de forma adaptativa puede satisfacer mejor las necesidades de pruebas de rutina sin aumentar significativamente el número de parámetros. Estos modelos funcionan bien en nuestro conjunto de datos personalizado y también son efectivos en imágenes que son difíciles de detectar a simple vista. Mientras tanto, encontramos que YOLOV8s, que también tiene la mejora de cabeza desacoplada, tiene resultados de 0.743, 0.461 y 87.17% en estas tres métricas. Esto demuestra que bajo nuestro conjunto de datos, es posible lograr resultados más avanzados con un menor número de parámetros del modelo simplemente agregando una cabeza desacoplada. Y de acuerdo con los resultados, también discutimos y analizamos algunas mejoras que no se adaptan a nuestro conjunto de datos, lo que también proporciona ideas para investigadores en escenarios similares: en el desarrollo en auge de la detección de objetos, elegir el modelo adecuado y adaptarse para combinar con otras tecnologías ayudaría a proporcionar soluciones a problemas del mundo real.