肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖首先要解决的关键问题，受肉牛个体颜色及纹理相近和遮挡等因素的影响，现有肉牛目标检测方法实用性较差。本研究基于YOLOv5s网络与通道信息注意力模块（ECABasicBlock），提出了一种融合通道信息的改进YOLOv5s网络（ECA-YOLOv5s），在YOLOv5s模型的骨干特征提取网络部分添加了三层通道信息注意力模块。ECA-YOLOv5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练，得到模型的精确率为89.8%，召回率为76.9%，全类平均精度均值为85.3%，检测速度为76.9 f/s，模型所占内存为24 MB。与YOLOv5s模型相比，ECA-YOLOv5s的精确率、召回率和mAP分别比YOLOv5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLOv5s的性能差异，本研究对比了CBAM（Convolutional block attention module）、CA（Coordinate attention）、SE（Squeeze and excitation）和ECA（Efficient channel attention）4种注意力机制，试验结果表明，ECA注意力机制的mAP分别比CBAM、CA、SE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果，结果表明，ECA-YOLOv5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性，且模型较小，便于模型的迁移应用，可为肉牛目标检测及质押监管等研究提供必要的技术支撑。