La detección de objetivos vehiculares es una tecnología clave para vehículos aéreos no tripulados (UAV) de reconocimiento. Sin embargo, para obtener un mayor campo de visión de reconocimiento, este tipo de UAV generalmente vuela a una mayor altitud, lo que resulta en una proporción relativamente pequeña de objetivos vehiculares en sus imágenes. Además, debido a la naturaleza única de la misión, tipos de vehículos previamente no vistos son propensos a aparecer en el área de vigilancia. Adicionalmente, es un desafío para los detectores a gran escala basados en aprendizaje profundo lograr un rendimiento en tiempo real en el equipo de computación de los UAV. Para abordar estos problemas, proponemos un detector de objetos vehiculares diseñado específicamente para UAV en este documento. Hemos realizado modificaciones en la estructura de Faster R-CNN basadas en las características del objetivo y la escena. Hemos mejorado la precisión de posicionamiento de los objetivos de imagen a pequeña escala ajustando el tamaño y la proporción de los anclajes. Además, hemos introducido un método de posprocesamiento para la detección fuera de distribución, lo que permite que el detector diseñado detecte y distinga tipos de vehículos no entrenados. Adicionalmente, para abordar la escasez de imágenes de reconocimiento, hemos construido dos conjuntos de datos utilizando técnicas de modelado y renderizado de imágenes. Hemos evaluado nuestro método en estos conjuntos de datos construidos. El método propuesto logra un 96% de Precisión Media Promedio en el umbral de IoU 0.5 (mAP50) en objetos entrenados y un 71% de mAP50 en objetos no entrenados. Experimentos de vuelo equivalentes demuestran que nuestro modelo, entrenado con datos sintéticos, puede lograr un rendimiento de detección satisfactorio y eficiencia computacional en aplicaciones prácticas.