La rápida evolución de la tecnología de UAV ha aumentado la demanda de sistemas de percepción aérea ligeros. Este estudio presenta ADG-YOLO, un modelo optimizado para la detección y medición de objetivos en tiempo real en plataformas UAV. Basándonos en YOLOv11n, integramos módulos C3Ghost para una fusión de características eficiente y capas ADown para un muestreo descendente que preserva los detalles, reduciendo los parámetros del modelo a 1.77 M y la computación a 5.7 GFLOPs. El seguimiento con el Filtro de Kalman Extendido (EKF) mejora la estabilidad posicional en entornos dinámicos. La medición monocular se logra utilizando la teoría de triángulos de similitud con anchos de objetivo conocidos. Las evaluaciones en un conjunto de datos personalizado, que consta de 5343 imágenes de tres tipos de drones en entornos complejos, muestran que ADG-YOLO alcanza un 98.4% de mAP0.5 y un 85.2% de mAP0.5:0.95 a 27 FPS cuando se implementa en dispositivos de borde Lubancat4. Las pruebas de medición de distancia indican un error promedio del 4.18% en el rango de 0.5-5 m para el modelo DJI NEO, y un error promedio del 2.40% en el rango de 2-50 m para el modelo DJI 3TD. Estos resultados sugieren que el modelo propuesto proporciona un compromiso práctico entre la precisión de detección y la eficiencia computacional para aplicaciones de UAV con recursos limitados.