El conteo tradicional de plántulas de arroz en agricultura suele ser laborioso, consumir mucho tiempo y propenso a errores. Por lo tanto, la automatización agrícola se ha convertido gradualmente en una solución destacada. En este documento, la detección de UVA, combinando el aprendizaje profundo con sensores de vehículos aéreos no tripulados (UAV), contribuye a la agricultura de precisión. Proponemos un enfoque basado en YOLOv4 para el conteo y marcado de la ubicación de plántulas de arroz a partir de imágenes de vehículos aéreos no tripulados (UAV). La detección de objetos pequeños es una tarea crucial y desafiante en imágenes agrícolas. Por lo tanto, realizamos modificaciones en la aumentación de datos y funciones de activación en los elementos neuronales del modelo de aprendizaje profundo para cumplir con los requisitos de detección y conteo de plántulas de arroz. En la etapa de preprocesamiento, segmentamos las imágenes de UAV en diferentes tamaños para el entrenamiento. Se emplea la activación Mish para mejorar la precisión del detector de una etapa YOLO. Utilizamos el conjunto de datos proporcionado en la competencia AIdea 2021 para evaluar el sistema, logrando un puntaje F1 de 0.91. Estos resultados indican la superioridad del método propuesto sobre el sistema base. Además, los resultados confirman el potencial para la detección precisa de plántulas de arroz en la agricultura de precisión.