La creciente demanda global de productos agrícolas sostenibles y de alta calidad ha impulsado el interés en las tecnologías de agricultura de precisión. Este estudio presenta un enfoque novedoso para la detección de setas silvestres, centrándose particularmente en Macrolepiota procera como especie focal para la demostración y evaluación. El enfoque propuesto utiliza vehículos aéreos no tripulados (UAV) equipados con imágenes multiespectrales y el algoritmo de detección de objetos YOLOv5. Se desarrolló un conjunto de datos personalizado, el conjunto de datos de detección de setas silvestres (WOES), que comprende 907 imágenes aéreas y terrestres anotadas, para apoyar el entrenamiento y la evaluación del modelo. Nuestro método integra hardware de bajo costo con aprendizaje profundo avanzado y análisis del índice de vegetación (NDRE) para permitir la identificación en tiempo real de setas en entornos forestales. El sistema propuesto logró una precisión de identificación superior al 90% y completó las tareas de detección en menos de 30 minutos por encuesta de campo. Aunque el conjunto de datos está geográficamente limitado a Macedonia Occidental, Grecia, y se centra principalmente en una especie morfológicamente distintiva, la metodología está diseñada para ser extensible a otros tipos de setas silvestres. Este trabajo contribuye con un marco replicable para el monitoreo escalable y rentable de setas en aplicaciones ecológicas y agrícolas.