La adormidera es una planta medicinal, y su cultivo es ilegal sin aprobación legal en China. El vehículo aéreo no tripulado (VANT) es una herramienta efectiva para monitorear el cultivo ilegal de adormidera. Sin embargo, los objetivos a menudo aparecen ocluidos y confusos, y es difícil para los detectores existentes detectar con precisión las adormideras. Para abordar este problema, proponemos una red de detección de adormidera, YOLOHLA, para imágenes de teledetección de VANT. Específicamente, proponemos un nuevo módulo de atención que utiliza dos ramas para extraer características a diferentes escalas. Para mejorar las capacidades de generalización, introducimos una estrategia de aprendizaje que implica aprendizaje iterativo, donde se identifican muestras desafiantes y se mejora la capacidad de representación del modelo utilizando conocimiento previo. Además, proponemos un modelo ligero (YOLOHLA-tiny) utilizando YOLOHLA basado en la poda de modelos estructurados, que puede ser mejor desplegado en plataformas embebidas de bajo consumo. Para evaluar el rendimiento de detección del método propuesto, recopilamos un conjunto de datos de imágenes de teledetección de adormidera de VANT. Los resultados experimentales muestran que el modelo YOLOHLA propuesto logra un mejor rendimiento de detección y una velocidad de ejecución más rápida que los modelos existentes. Nuestro método alcanza una precisión media promedio (mAP) del 88.2% y un puntaje F1 del 85.5% para la detección de adormidera. El modelo ligero propuesto logra una velocidad de inferencia de 172 fotogramas por segundo (FPS) en plataformas embebidas. Los resultados experimentales muestran la aplicabilidad práctica del método propuesto de detección de objetos de adormidera para la detección en tiempo real de objetivos de adormidera en plataformas de VANT.