La detección temprana de enfermedades del algodón es crítica para salvaguardar el rendimiento de los cultivos y minimizar el uso de agroquímicos. Sin embargo, la mayoría de los sistemas de última generación dependen de sensores multiespectrales o hiperespectrales, que son costosos e inaccesibles para los pequeños agricultores. Este artículo presenta CottoNet, un marco de aprendizaje profundo ligero y eficiente para detectar enfermedades del algodón en etapas tempranas utilizando solo imágenes RGB capturadas por vehículos aéreos no tripulados (UAV). El modelo propuesto integra una columna vertebral EfficientNetV2-S con una Red Piramidal de Características de Doble Atención (DA-FPN) y un novedoso Módulo de Énfasis en Síntomas Tempranos (ESEM) para mejorar la sensibilidad a señales visuales sutiles como la clorosis, lesiones menores e irregularidades en la textura. Se recopiló un conjunto de datos etiquetado personalizado de campos de algodón en Uzbekistán para evaluar el modelo en condiciones agrícolas realistas. CottoNet logró una precisión media promedio (mAP@50) del 89.7%, un puntaje F1 del 88.2% y una precisión de detección temprana (EDA) del 91.5%, superando a los modelos ligeros existentes mientras mantenía una velocidad de inferencia en tiempo real en dispositivos integrados. Los resultados demuestran que CottoNet ofrece una solución escalable, precisa y lista para el campo para la agricultura de precisión en entornos con recursos limitados.