En la industria de drones en rápido desarrollo, el uso de drones ha llevado a una serie de peligros de seguridad tanto en entornos civiles como militares, lo que hace que la detección de drones sea un campo de investigación cada vez más importante. Es difícil superar este desafío con soluciones tradicionales de detección de objetos. Basado en YOLOv8, presentamos un modelo de detección anti-drones ligero, en tiempo real y preciso (EDGS-YOLOv8). Esto se realiza mejorando la estructura del modelo, introduciendo convolución fantasma en el cuello para reducir el tamaño del modelo, añadiendo atención multi-escala eficiente (EMA) y mejorando la cabeza de detección utilizando DCNv2 (red de convolución deformable v2). El método propuesto se evalúa utilizando dos conjuntos de datos de imágenes de UAV, DUT Anti-UAV y Det-Fly, con una comparación con el modelo base YOLOv8. Los resultados demuestran que en el conjunto de datos DUT Anti-UAV, EDGS-YOLOv8 logra un valor de AP de 0.971, que es un 3.1% más alto que el mAP de YOLOv8n, manteniendo un tamaño de modelo de solo 4.23 MB. Los hallazgos y métodos de investigación aquí descritos son cruciales para mejorar la precisión de detección de objetivos y desarrollar modelos de UAV ligeros.