Los drones se utilizan comúnmente en numerosas aplicaciones, como vigilancia, navegación, pulverización de pesticidas en sistemas agrícolas autónomos, diversos servicios militares, etc., debido a sus tamaños variables y cargas de trabajo. Sin embargo, los drones maliciosos que transportan objetos dañinos a menudo se utilizan de manera adversa para intrusos en áreas restringidas y atacar lugares públicos críticos. Por lo tanto, la detección oportuna de drones maliciosos puede prevenir posibles daños. Este artículo propone un marco basado en un transformador de visión (ViT) para distinguir entre drones y drones maliciosos. En el modelo propuesto basado en ViT, las imágenes de los drones se dividen en parches de tamaño fijo; luego, se aplican incrustaciones lineales e incrustaciones de posición, y la secuencia resultante de vectores se alimenta finalmente a un codificador ViT estándar. Durante la clasificación, se utiliza un token de clasificación adicional aprendible asociado a la secuencia. El marco propuesto se compara con varias redes neuronales convolucionales profundas y hechas a mano (D-CNN), que revelan que el modelo propuesto ha logrado una precisión del 98.3%, superando varios modelos hechos a mano y D-CNNs. Además, la superioridad del modelo propuesto se ilustra al compararlo con los métodos existentes de detección de drones de última generación.