La detección de objetos es importante en las misiones de reconocimiento con vehículos aéreos no tripulados (UAV). Sin embargo, dado que un UAV vuela a gran altitud para obtener una amplia vista de reconocimiento, los objetos capturados a menudo tienen tamaños de píxel pequeños y sus categorías tienen una alta incertidumbre. Dada la capacidad de computación limitada en los UAV, los detectores grandes basados en redes neuronales convolucionales (CNN) tienen dificultades para obtener un rendimiento de detección en tiempo real. Para abordar estos problemas, diseñamos un detector de objetos pequeños para imágenes basadas en UAV en este documento. Modificamos la estructura de YOLOv4 de acuerdo con las características de la detección de objetos pequeños. Mejoramos el rendimiento de la localización de objetos pequeños modificando la función de pérdida de localización. Utilizando el método de métrica de distancia, el detector propuesto puede clasificar objetos entrenados y no entrenados a través de características de los objetos. Además, diseñamos dos estrategias de aumento de datos para mejorar la diversidad del conjunto de entrenamiento. Evaluamos nuestro método en un conjunto de datos de objetos pequeños recopilado; el método propuesto obtuvo un 61.00% mAP50 en objetos entrenados y un 41.00% mAP50 en objetos no entrenados con 77 fotogramas por segundo (FPS). Los experimentos de vuelo confirmaron la utilidad de nuestro enfoque en pequeños UAV, con un rendimiento de detección satisfactorio y una velocidad de inferencia en tiempo real.