Los vehículos aéreos no tripulados (UAVs) son una tecnología muy buscada con numerosas aplicaciones tanto en usos militares como no militares. La identificación de objetivos es un aspecto crucial de las aplicaciones de UAV, pero existen desafíos asociados con modelos de detección complejos y la dificultad para detectar objetivos pequeños. Para abordar estos problemas, este estudio propone el algoritmo ligero L-YOLO para tareas de detección de objetivos desde una perspectiva de UAV. El algoritmo L-YOLO mejora el YOLOv5 al mejorar el rendimiento de detección del modelo para objetivos pequeños mientras reduce el número de parámetros y el esfuerzo computacional. El módulo GhostNet reemplaza la convolución relevante en el modelo YOLOv5 para crear un modelo ligero. La pérdida EIoU se utiliza como función de pérdida del algoritmo para acelerar la convergencia y mejorar la precisión de regresión. Además, se implementan extensiones a nivel de características basadas en YOLOv5, y se propone una nueva cabeza de detección para mejorar la precisión de detección del modelo para objetivos pequeños. El tamaño de las cajas de anclaje se rediseña para adaptarse a los objetivos pequeños utilizando el algoritmo de agrupamiento K-means++. Los experimentos se realizaron en el conjunto de datos VisDrone-2022, y el algoritmo L-YOLO demostró una reducción en el esfuerzo computacional del 42,42% y en el número de parámetros del 48,6% en comparación con el algoritmo original. Además, el recall y mAP@0.5 mejoraron en un 2,1% y 1,4%, respectivamente. Estos resultados demuestran que el algoritmo L-YOLO no solo tiene un mejor rendimiento de detección para objetivos pequeños, sino que también es un modelo más ligero, lo que indica perspectivas prometedoras para la detección de objetivos desde una perspectiva de UAV.