El monitoreo de la vida silvestre puede ser un proceso que consume mucho tiempo y es costoso, pero las tecnologías en rápido desarrollo de vehículos aéreos no tripulados, sensores y aprendizaje automático allanan el camino para el monitoreo automatizado. En este estudio, entrenamos redes neuronales YOLOv5 para detectar puntos de interés, liebres (Lepus europaeus) y ciervos (Capreolus capreolus) en imágenes aéreas térmicas y propusimos un método para evaluar manualmente el parámetro de precisión media promedio (mAP) en comparación con el número de detecciones reales de falsos positivos y falsos negativos en una submuestra. Esto mostró que un mAP cercano a 1 para un modelo entrenado no significa necesariamente una detección perfecta y proporcionó un método para obtener información sobre los parámetros que afectan la precisión de los modelos entrenados. Además, proporcionamos un algoritmo conceptual básico para implementar la detección de objetos en tiempo real en sistemas de aeronaves no tripuladas equipados con sensores térmicos, capacidades de alto zoom y un telémetro láser. La detección de objetos en tiempo real se está convirtiendo en una herramienta complementaria invaluable para el monitoreo de animales crípticos y nocturnos con el uso de sensores térmicos.