El uso de Sistemas Aéreos No Tripulados (UAS) está aumentando sin duda a un ritmo significativo. Sin embargo, junto con esta expansión, hay una creciente preocupación de que no existen medidas de contrarresto confiables y de bajo costo. Para mitigar una amenaza en un espacio aéreo restringido, primero debe saberse que hay una amenaza presente. Con la interrupción de aeropuertos por parte de UAS maliciosos ocurriendo regularmente, los métodos de bajo costo para la alerta temprana son esenciales. Este documento considera un sistema de alerta temprana de bajo costo para la detección y clasificación de UAS que consiste en un radio definido por software BladeRF, una antena de banda ancha y una Raspberry Pi 4 que produce un nodo de borde con un costo inferior a 540 USD. Los experimentos mostraron que la Raspberry Pi utilizando TensorFlow es capaz de ejecutar un extractor de características CNN y un clasificador de aprendizaje automático como parte de un sistema de alerta temprana para UAS. Los tiempos de inferencia variaron de 15 a 28 s para la detección de UAS de dos clases y de 18 a 28 s para la clasificación de tipos de UAS, lo que sugiere que para sistemas que requieren resultados oportunos, la Raspberry Pi sería más adecuada para actuar como repetidor de los datos SDR en bruto, permitiendo que el procesamiento se realice en una unidad de control central de mayor potencia. Sin embargo, un sistema de alerta temprana probablemente fusionaría múltiples sensores. Estos experimentos mostraron que el clasificador de aprendizaje automático RF es capaz de ejecutarse en una Raspberry Pi 4 de bajo costo, que produjo una precisión general para un sistema de detección de dos clases del 100% y del 90.9% para la clasificación de tipos de UAS en los UAS probados. La contribución de esta investigación es un punto de partida para la consideración de sistemas de alerta temprana de bajo costo para la clasificación de UAS utilizando aprendizaje automático, un SDR y Raspberry Pi.