La meseta tibetana es un hábitat ecológico crítico donde la sobrepoblación de la pika de meseta (Ochotona curzoniae), una especie clave, acelera la degradación de los pastizales a través de la excavación excesiva y la herbivoría, amenazando el equilibrio ecológico y las actividades humanas. Para abordar la ineficiencia y los altos costos del monitoreo tradicional de los túneles de pika, este estudio propone una solución de monitoreo inteligente que integra la teledetección con drones y el aprendizaje profundo. Al combinar la arquitectura visual ligera Transformer EfficientViT con el mecanismo de atención híbrido CBAM, desarrollamos un algoritmo mejorado YOLOv11-AEIT: (1) EfficientViT se emplea como la red base, fortaleciendo la representación de características de micro-túneles a través de un mecanismo de acoplamiento de características a múltiples escalas que alterna entre atención de ventana local y atención dilatada global; (2) la integración de CBAM (Módulo de Atención de Bloque Convolucional) en el cuello de fusión de características reduce las detecciones falsas a través de un filtrado de atención espacial de doble canal. Las evaluaciones en nuestro conjunto de datos personalizado PPCave2025 muestran que el modelo mejorado logra un 98.6% de mAP@0.5, superando la línea base YOLOv11 en 3.5 puntos porcentuales, con mejoras en precisión y recuperación del 4.8% y 7.2%, respectivamente. El algoritmo mejora la eficiencia en un factor de 15 en comparación con la inspección manual, mientras cumple sin problemas con los requisitos de detección en tiempo real de drones. Este enfoque proporciona un soporte técnico de alta precisión pero ligero para la conservación ecológica de la meseta y sirve como una valiosa referencia metodológica para tareas de monitoreo ecológico similares.