Los accidentes de fuego son catástrofes que amenazan la vida, provocando pérdidas de vidas, daños financieros, cambio climático y destrucción ecológica. Detectar y extinguir incendios de manera rápida y eficiente es esencial para reducir la pérdida de vidas y daños. Este estudio utiliza técnicas de drones, computación en el borde e inteligencia artificial (IA), presentando métodos novedosos para la detección de incendios en tiempo real. Este trabajo propuesto utiliza un conjunto de datos integral de 7187 imágenes de incendios y modelos avanzados de aprendizaje profundo, como Detection Transformer (DETR), Detectron2, You Only Look Once YOLOv8 y técnicas de destilación de conocimiento basadas en Autodistill para mejorar el rendimiento del modelo. El enfoque de destilación de conocimiento se ha implementado con el YOLOv8m (medio) como modelo base. Los marcos destilados (estudiante) se desarrollan empleando las técnicas YOLOv8n (Nano) y DETR. El YOLOv8n alcanza el mejor rendimiento con un 95.21% de precisión en la detección y un puntaje F1 de 0.985. Se ha construido un potente conjunto de hardware, que incluye un microcontrolador Raspberry Pi 5, un módulo de cámara Pi 3 y un dron personalizado DJI F450. El modelo YOLOv8n destilado se ha desplegado en el conjunto de hardware propuesto para la identificación de incendios en tiempo real. El modelo YOLOv8n logra una precisión del 89.23% y una tasa de cuadros aproximada de 8 en los experimentos en vivo realizados. La integración de técnicas de aprendizaje profundo con drones y dispositivos de borde demuestra la efectividad y el potencial del sistema propuesto para aplicaciones prácticas en la mitigación de riesgos de incendios.