Los drones, con su capacidad para despegar y aterrizar verticalmente y su rendimiento estable en el vuelo en suspensión, se están volviendo favorables tanto en dominios civiles como militares. Sin embargo, esto introduce riesgos de uso indebido, que pueden incluir amenazas a la seguridad en aeropuertos, instituciones de importancia nacional, seguridad de VIP, tráfico de drogas, violaciones de privacidad, etc. Para abordar estos problemas, los sistemas automatizados de detección de drones son esenciales para prevenir actividades no autorizadas de drones. La detección en tiempo real requiere dispositivos de alto rendimiento como las GPU. Para nuestros experimentos, utilizamos el NVIDIA Jetson Nano para soportar la detección de drones basada en YOLOv9. La evaluación del rendimiento de YOLOv9 para detectar drones se basa en métricas como la precisión media promedio (mAP), cuadros por segundo (FPS), precisión, recuperación y puntuación F1. Los datos experimentales revelaron mejoras significativas sobre modelos anteriores, con un mAP del 95.7%, una precisión de 0.946, una recuperación de 0.864 y una puntuación F1 de 0.903, marcando una mejora del 4.6% sobre YOLOv8. Este documento utiliza YOLOv9, optimizado con pesos preentrenados y aprendizaje por transferencia, logrando una precisión significativa en la detección de drones en tiempo real. Integrado con el NVIDIA Jetson Nano, el sistema identifica eficazmente drones a altitudes que van de 15 pies a 110 pies mientras se adapta a diversas condiciones ambientales. La precisión y adaptabilidad del modelo lo hacen particularmente adecuado para su implementación en áreas sensibles a la seguridad, donde la detección rápida y precisa es crucial. Esta investigación establece una base sólida para futuras aplicaciones contra drones y muestra un gran potencial para mejorar la conciencia situacional en entornos críticos y de alto riesgo.