La evolución en las tecnologías de imagen y los algoritmos de inteligencia artificial, junto con las mejoras en la tecnología de vehículos aéreos no tripulados, ha permitido el uso de aeronaves no tripuladas en una amplia gama de aplicaciones. La viabilidad de este tipo de enfoque para el monitoreo de ganado ha sido demostrada por varios estudios, pero el uso práctico sigue siendo un desafío debido a las características particulares de esta aplicación, como la necesidad de rastrear objetivos móviles y las extensas áreas que deben ser cubiertas en la mayoría de los casos. El objetivo de este estudio fue investigar la viabilidad de utilizar un ángulo inclinado para aumentar el área cubierta por cada imagen. Se utilizaron Redes Neuronales Convolucionales Profundas (arquitectura Xception) para generar los modelos de detección de animales. Se llevaron a cabo tres experimentos: (1) se probaron cinco tamaños diferentes para las imágenes de entrada para determinar cuál produce las mayores precisiones; (2) se calcularon las precisiones de detección para diferentes distancias entre los animales y el sensor, con el fin de determinar cómo la distancia influye en la detectabilidad; y (3) se identificaron individualmente los animales que fueron completamente omitidos por el proceso de detección y se determinaron las causas de esos errores, revelando algunos temas potenciales para futuras investigaciones. Los resultados experimentales indican que las imágenes oblicuas pueden ser utilizadas con éxito bajo ciertas condiciones, pero algunas limitaciones prácticas deben ser abordadas para hacer que este enfoque sea atractivo.