La tecnología de teledetección juega un papel crucial en varios sectores, como el monitoreo meteorológico, la planificación urbana y la exploración de recursos naturales. Un aspecto crítico del análisis de imágenes de teledetección es la detección de objetivos terrestres, que implica identificar y clasificar objetos terrestres dentro de imágenes satelitales o aéreas. Sin embargo, a pesar de los avances en los métodos de detección tradicionales y en los enfoques basados en aprendizaje profundo, la detección de objetivos terrestres sigue siendo un desafío, especialmente al tratar con objetos pequeños y rotados que son difíciles de distinguir. Para abordar estos desafíos, este estudio presenta un modelo mejorado, YOLOv5s-CACSD, que se basa en el marco de YOLOv5s. Nuestro modelo integra el mecanismo de atención de canal (CA), CARAFE y Shape-IoU para mejorar la precisión de detección, mientras emplea convolución separable en profundidad para reducir la complejidad del modelo. La arquitectura propuesta fue evaluada sistemáticamente en el conjunto de datos DOTAv1.0, y nuestros resultados muestran que YOLOv5s-CACSD logró un 91.0% [email protected], marcando una mejora del 2% sobre el YOLOv5s original. Además, redujo los parámetros del modelo y la complejidad computacional en 0.9 M y 2.9 GFLOPs, respectivamente. Estos resultados demuestran el rendimiento de detección mejorado y la eficiencia del modelo YOLOv5s-CACSD, haciéndolo adecuado para aplicaciones prácticas en la detección de objetivos terrestres en imágenes de teledetección.