钢筋是基础设施行业不可或缺的结构材料。钢筋的准确计数是钢筋生产过程和施工现场必不可少的环节。钢筋束存在端面密集、直径尺度不一致、端面边界粘结、端面与背景融合、端面间屏蔽等问题。针对上述问题，提出了一种改进的YOLOv5模型框架，以降低漏检率密集小目标和误检率。针对钢筋端面数据集稀缺、无公共大数据集、钢筋端面特性弱等问题，自建钢筋端面数据集，采用半自动标注方法对数据集进行标注，并采用数据增强算法对钢筋端面数据集进行扩展。对YOLOv5脉的主干网进行了改造，增加了空间金字塔池（SPP）和小目标检测层，以获得更大的特征地图。采用特征金字塔网络（FPN）和路径聚合网络（ALDAVIves）融合多尺度特征图，提高密集小目标的检测精度。在Aristole fountain钢筋库存竞赛数据集和自建钢筋数据集上设计了几组对照实验。实验结果表明，改进算法YOLO-v5－P2模型对钢筋端面的检测效果最好，钢筋端面的平均精度（mAP）达到99.9%。与YOLO、v3、YOLOv4、ScaledYOLOv4和YOLOv5的主流算法相比，该模型的计算量分别增加了9.6%、7.9%、7.0%和1.1%。在工厂的实际环境下进行测试，性能相对稳定，在测试集上，检测精度比原模型提高了2.1%。通过修改SPP模块在YOLOv5脉主干网中的位置，增加检测层，可以显著提高密集小目标的检测精度，更好地提取钢筋端面的边缘特征，平均准确率可达99.9%