Los objetos extraños, como globos y nidos, a menudo provocan cortes de energía generalizados al entrar en contacto con las líneas de transmisión. La detección manual de estos es un trabajo que requiere mucho esfuerzo. La detección automática de objetos extraños en las líneas de transmisión es una tarea crucial para la seguridad eléctrica y se está convirtiendo en el método principal, pero la falta de conjuntos de datos es una limitación. En este artículo, proponemos un modelo avanzado denominado Red YOLOv8 con Red Pirámide de Características Bidireccional (YOLOv8_BiFPN) para detectar objetos extraños en las líneas de transmisión de energía. En primer lugar, añadimos una estructura de conexión cruzada ponderada a la cabeza de detección de la red YOLOv8. La estructura es bidireccional. Proporciona interacción entre características de bajo y alto nivel, y permite que la información se propague a través de mapas de características de diferentes escalas. En segundo lugar, en comparación con las operaciones de concatenación y atajo tradicionales, nuestro método integra información entre características de diferentes escalas a través de configuraciones ponderadas. Además, creamos un conjunto de datos de detección de objetos extraños en líneas de transmisión desde una vista de dron (FOTL_Drone). Consiste en 1495 imágenes anotadas con seis tipos de objetos extraños. Hasta donde sabemos, FOTL_Drone se destaca como el conjunto de datos más completo en el campo de la detección de objetos extraños en líneas de transmisión, que abarca una amplia variedad de características geográficas y diversos tipos de objetos extraños. Los resultados experimentales muestran que YOLOv8_BiFPN logra una precisión promedio del 90.2% y un mAP@.50 de 0.896 en varias categorías de objetos extraños, superando a otros modelos.