Los entornos variables y los dispositivos de borde restringidos plantean la tarea significativamente desafiante de reconocer directamente la actitud relativa de los vehículos aéreos no tripulados (UAV). Además, los conjuntos de datos de marcadores de aterrizaje de UAV que son accesibles al público en general son escasos. Para abordar estos desafíos, primero construimos un conjunto de datos sobre marcadores de aterrizaje de UAV llamado conjunto de datos de marcadores de aterrizaje de UAV (ULMD). Luego, mejoramos el modelo You Only Look Once (YOLO) para diseñar un modelo específicamente adaptado para reconocer directamente la actitud relativa de los UAV, denominado YOLO de actitud relativa de UAV (URA-YOLO). Dentro de URA-YOLO, proponemos un módulo de fusión de características multiescala mejorado (EMF) que aumenta el rango perceptual de la red y extrae información de características correspondiente a varios tamaños de imagen. Además, proponemos un módulo de extracción de características ligero y eficiente (LE) para adquirir información semántica de alta dimensión. Finalmente, para mitigar la interferencia del ruido de fondo, proponemos un módulo de red de agregación de capas eficiente con atención de bloque convolucional (ELAN-CA). Los resultados experimentales demuestran que nuestro modelo supera la línea base en un 10.8% en términos de precisión, ocupando apenas 5.8 M de tamaño, lo que representa una reducción del 6.5%, logrando un equilibrio satisfactorio entre rendimiento y consumo de recursos.