Nuestra investigación se centra en abordar el desafío de las enfermedades de los cultivos y las infestaciones de plagas en la agricultura mediante el uso de tecnología de UAV para mejorar el monitoreo de cultivos a través de vehículos aéreos no tripulados (UAV) y mejorar la detección y clasificación de plagas agrícolas. Los enfoques tradicionales a menudo requieren una ardua extracción manual de características o técnicas de aprendizaje profundo (DL) que demandan mucho cálculo. Para abordar esto, presentamos un modelo optimizado diseñado específicamente para aplicaciones basadas en UAV. Nuestras modificaciones al modelo YOLOv5s, que incluyen módulos de atención avanzados, módulos de red parcial de etapa cruzada (CSP) ampliados y mecanismos refinados de extracción de características multiescala, permiten una detección y clasificación precisa de plagas. Inspirados por la eficiencia y versatilidad de los UAV, nuestro estudio busca revolucionar la gestión de plagas en la agricultura sostenible, al mismo tiempo que detecta y previene enfermedades de los cultivos. Realizamos pruebas rigurosas en un conjunto de datos de escala media, identificando cinco plagas agrícolas, a saber, hormigas, saltamontes, picudos de palma, chinches y avispas. Nuestro análisis experimental integral muestra un rendimiento superior en comparación con varias versiones del modelo YOLOv5. El modelo propuesto obtuvo un rendimiento más alto, con una precisión promedio del 96.0%, una recuperación promedio del 93.0% y una precisión media promedio (mAP) del 95.0%. Además, las capacidades inherentes de los UAV, combinadas con el modelo YOLOv5s probado aquí, podrían ofrecer una solución confiable para la detección de plagas en tiempo real, demostrando un potencial significativo para optimizar y mejorar la producción agrícola dentro de un ecosistema centrado en drones.