Este estudio presenta un enfoque novedoso basado en drones para la detección y clasificación de manatíes del Gran Caribe (Trichechus manatus manatus) en la cuenca del Canal de Panamá, integrando técnicas avanzadas de aprendizaje profundo. Aprovechando el modelo de alto rendimiento YOLOv8, mejorado con Sliced Aided Hyper Inferencing (SAHI) para una mejor detección de objetos pequeños, nuestro sistema identifica con precisión manatíes individuales, parejas madre-cría y formaciones grupales en un entorno acuático desafiante. Además, el uso de AltCLIP para clasificación de cero disparos permite un análisis demográfico robusto sin necesidad de datos etiquetados extensos, mejorando la adaptabilidad del modelo en escenarios con escasez de datos. Para este estudio, se adquirieron más de 57,000 imágenes de UAV de múltiples vuelos de drones que cubren diversas regiones del Lago Gatún y sus alrededores. En experimentos de validación cruzada, el modelo de detección alcanzó niveles de precisión de hasta el 93% y valores de precisión media promedio (mAP) superiores al 90% en condiciones ideales. Sin embargo, las pruebas en datos no vistos revelaron un menor recall, destacando los desafíos en la detección de manatíes a diferentes altitudes y en condiciones de iluminación adversas. Además, el enfoque integrado de clasificación de cero disparos demostró una robusta precisión top-2 cercana al 90%, categorizando efectivamente los agrupamientos demográficos de manatíes a pesar de las características visuales superpuestas. Este trabajo presenta un marco de aprendizaje profundo integrado con tecnología UAV, ofreciendo una solución escalable y no invasiva para el monitoreo de vida silvestre en tiempo real. Al permitir una detección y clasificación precisas, sienta las bases para evaluaciones de hábitat mejoradas y una planificación de conservación más efectiva en ecosistemas de humedales tropicales similares.