Los programas de monitoreo ecológico son fundamentales para seguir las tendencias poblacionales de los sistemas naturales. Los drones son una nueva clave para el monitoreo de animales, presentando diferentes beneficios pero dos restricciones básicas. Primero, el aumento de información requiere una alta capacidad de almacenamiento y, segundo, el tiempo invertido en el análisis de datos. Presentamos un protocolo para desarrollar un reconocedor automático de objetos para minimizar el tiempo de análisis y optimizar el almacenamiento de datos. Realizamos este estudio en el río Cruces, Valdivia, Chile, utilizando un dron Phantom 3 Advanced con una cámara de estándar HD. Usamos un cisne de cuello negro (Cygnus melancoryphus) como modelo porque es abundante y tiene un color contrastante en comparación con el entorno, lo que facilita su detección. El dron voló a 100 m de la superficie del agua (corrigiendo la AGL en relación con la altitud de aterrizaje del piloto) obteniendo imágenes georreferenciadas con un 75% de superposición y desarrollando aproximadamente 0.69 km2 de imágenes ortomosaicos. Estimamos la firma espectral de los cisnes para construir el reconocedor y ajustamos nueve criterios para la clasificación orientada a objetos. Obtuvimos 140 ortofotos clasificadas en tres categorías de brillo. Encontramos que los indicadores de Precisión, Sensibilidad, Especificidad y Exactitud fueron superiores a 0.93 y una curva de calibración con R2= 0.991 para imágenes sin brillo. La predicción del reconocedor disminuye con el brillo, pero se corrige utilizando un filtro de lente ND8-16. Discutimos la importancia de este reconocedor para la optimización del análisis de datos y la ventaja de utilizar este protocolo de reconocimiento para cualquier objeto en estudios ecológicos.