Los drones están aumentando en popularidad y están llegando al público más rápido que nunca. En consecuencia, las posibilidades de que un dron sea mal utilizado están multiplicándose. La detección automatizada de drones es necesaria para prevenir intervenciones no autorizadas y no deseadas de drones. En esta investigación, diseñamos un sistema de detección automatizada de drones utilizando YOLOv4. El modelo fue entrenado utilizando conjuntos de datos de drones y aves. Luego evaluamos el modelo YOLOv4 entrenado en el conjunto de datos de prueba, utilizando la precisión media promedio (mAP), cuadros por segundo (FPS), precisión, recuperación y puntuación F1 como parámetros de evaluación. A continuación, recopilamos nuestros propios dos tipos de videos de drones, realizamos detecciones de drones y calculamos el FPS para identificar la velocidad de detección a tres altitudes. Nuestra metodología mostró un mejor rendimiento que lo que se ha encontrado en estudios similares anteriores, logrando un mAP del 74.36%, una precisión de 0.95, una recuperación de 0.68 y una puntuación F1 de 0.79. Para la detección de video, logramos un FPS de 20.5 en el DJI Phantom III y un FPS de 19.0 en el DJI Mavic Pro.