Debido a los recursos informáticos limitados y la capacidad de almacenamiento de los dispositivos de detección de bordes, generalmente se requieren algoritmos de detección eficientes para cumplir con los requisitos de tiempo real y precisión. Los detectores existentes a menudo requieren un gran número de parámetros y una alta potencia computacional para mejorar la precisión, lo que reduce la velocidad de detección y el rendimiento en dispositivos de baja potencia. Para reducir la carga computacional y mejorar el rendimiento de detección en dispositivos de borde, proponemos un algoritmo de detección de objetivos de drones ligero, LD-YOLOv10. En primer lugar, diseñamos una estructura de extracción de características ligera novedosa llamada RGELAN, que utiliza convoluciones reparametrizadas y el Conv-Tiny recién diseñado como la estructura computacional para reducir la carga computacional de la extracción de características. Se introdujo el módulo AIFI, utilizando su mecanismo de atención de múltiples cabezas para mejorar la expresión de la información semántica. Construimos la estructura DR-PAN Neck, que obtiene características débiles de objetivos pequeños con una carga computacional mínima. Wise-IoU y EIoU se combinan como nuevas funciones de pérdida de regresión de cuadro delimitador para ajustar la competencia entre cuadros delimitadores de diferentes calidades y la sensibilidad de las proporciones de aspecto del cuadro delimitador, proporcionando una estrategia de asignación de gradiente más inteligente. Experimentos extensos en los conjuntos de datos VisdroneDET-2021 y UAVDT muestran que LD-YOLOv10 reduce el número de parámetros en un 62.4% mientras logra un ligero aumento en la precisión y tiene una velocidad de detección más rápida en comparación con otros algoritmos ligeros. Cuando se implementa en el dispositivo de baja potencia NVIDIA Jetson Orin Nano, LD-YOLOv10 logra una velocidad de detección de 25 FPS.