Recientemente, la investigación sobre la detección de objetos desde la vista de drones (DOD) se ha centrado predominantemente en identificar objetos de manera eficiente a través del recorte de imágenes de alta resolución. Sin embargo, ha pasado por alto los desafíos distintivos que plantea el desequilibrio de escala y una mayor prevalencia de objetos pequeños en las imágenes de drones. En este artículo, para abordar los desafíos asociados con la detección de drones (DOD), introducimos un detector especializado llamado DroneNet. En primer lugar, proponemos un módulo de mejora de información de características (FIEM) que preserva eficazmente la información del objeto y puede integrarse sin problemas como un módulo plug-and-play en la red de fondo. Luego, proponemos una red de pirámide de características de división y concatenación (SCFPN) que no solo fusiona la información de características de diferentes escalas, sino que también permite una exploración más completa de las capas de características con muchos objetos pequeños. Finalmente, desarrollamos una estrategia de asignación de etiquetas de grueso a fino (CRLA) para objetos pequeños, que asigna etiquetas de niveles gruesos a niveles finos y asegura un entrenamiento adecuado de los objetos pequeños durante el proceso de entrenamiento. Además, para promover aún más el desarrollo de DOD, introducimos un nuevo conjunto de datos llamado OUC-UAV-DET. Experimentos extensivos en VisDrone2021, UAVDT y OUC-UAV-DET demuestran que nuestro detector propuesto, DroneNet, exhibe mejoras significativas en el manejo de objetivos desafiantes, superando a los detectores de última generación.