El monitoreo efectivo y la detección de objetos de la vida silvestre en entornos naturales complejos son cruciales para la conservación de especies, y la tecnología de detección de objetos sirve como un componente clave de los sistemas de monitoreo modernos. Este estudio aborda desafíos como la detección de objetos pequeños, las oclusiones y la coexistencia de múltiples objetivos en fondos complejos al proponer un modelo mejorado, YOLO-WildASM, basado en YOLOv8. El modelo propuesto incorpora una capa de detección P2 para objetos pequeños, fusión de características basada en BiFPN y un mecanismo de atención de múltiples cabezas (MHSA) para mejorar significativamente la precisión de detección. Los resultados experimentales demuestran que YOLO-WildASM logra un mAP50 del 94.1%, lo que representa una mejora del 2.8% sobre YOLOv8. Estos resultados indican que YOLO-WildASM cumple efectivamente con los requisitos para una identificación rápida y precisa de la vida silvestre en el campo, ofreciendo un valioso apoyo técnico para la protección ecológica y el monitoreo de especies.