Este estudio presentó una investigación integral sobre el rendimiento de modelos de detección de objetos adaptados para dispositivos de borde, particularmente en el contexto de enjambres de vehículos aéreos no tripulados. La detección de objetos desempeña un papel fundamental en la mejora de la navegación autónoma, la conciencia situacional y las capacidades de seguimiento de objetivos dentro de los enjambres de UAV, donde los recursos de computación están limitados por las computadoras de bajo costo a bordo. Inicialmente, se realizó una revisión exhaustiva de la literatura existente para identificar modelos de detección de objetos de vanguardia adecuados para su implementación en dispositivos de borde. Estos modelos se evalúan en función de su velocidad, precisión y eficiencia, con un enfoque en las capacidades de inferencia en tiempo real, cruciales para las aplicaciones de vehículos aéreos no tripulados. Tras la revisión de la literatura, los modelos seleccionados se someten a validación empírica a través de un entrenamiento personalizado utilizando el conjunto de datos Vision Meets Drone, un conjunto de datos ampliamente reconocido para tareas de detección de objetos basadas en vehículos aéreos no tripulados. Se midieron y compararon métricas de rendimiento como la precisión media promedio, la velocidad de inferencia y la utilización de recursos entre diferentes modelos. Por último, el estudio amplió su análisis más allá de la detección de objetos tradicional para explorar la eficacia de la segmentación de instancias y propuso una optimización a una técnica de seguimiento de objetos en el contexto de vehículos aéreos no tripulados. La segmentación de instancias ofrece una delimitación de objetos más detallada, permitiendo una identificación y seguimiento de objetivos o puntos de referencia más precisos, aunque con un mayor uso de recursos y un mayor tiempo de inferencia.