Los objetos distribuidos densamente y de escala variable en las imágenes de vehículos aéreos no tripulados (UAV), junto con sus fondos dinámicos, diversos y sin restricciones, hacen que los métodos de detección convencionales sean propensos a omisiones, falsas alarmas y sesgos de localización. Para mejorar las tareas de visión de UAV, proponemos AD-YOLO, un método unificado diseñado para la detección de objetos pequeños en entornos de alta densidad de tráfico. Primero, se introduce un módulo que combina una unidad de convolución de rotación adaptativa y atención direccional agrupada con características de núcleo mixto para mejorar la invariancia de orientación del modelo y la discriminación a múltiples escalas. Luego, se propone una red de pirámide de características colaborativas de doble camino para refinar conjuntamente los detalles semánticos y espaciales del modelo a través de un camino de agregación de contexto multidireccional y un camino de fusión semántica progresiva jerárquica. Por último, se diseña un módulo jerárquicamente denso reparametrizado de gran núcleo para producir campos receptivos más amplios con una complejidad computacional reducida. Experimentos extensivos en los conjuntos de datos VisDrone2019 y UAVDT demuestran que AD-YOLO supera a los métodos de vanguardia en precisión de detección mientras mantiene una eficiencia computacional favorable.