En respuesta a las amenazas de seguridad planteadas por vehículos aéreos no tripulados (VANT) no autorizados, la importancia de los sistemas anti-VANT se está volviendo cada vez más evidente. En tareas que implican la detección de VANT, los VANT pequeños son particularmente difíciles de detectar debido a su baja resolución. Por lo tanto, este estudio propuso YOLO-CoOp, un marco de optimización colaborativa liviano y multimódulo para detectar VANT pequeños. Primero, se propuso una red de pirámide de características de alta resolución (HRFPN) para retener más información espacial de los VANT pequeños. En segundo lugar, se propuso un módulo C3k2-WT integrado con convolución de transformada wavelet para mejorar la capacidad de extracción de características y expandir el campo receptivo del modelo. Luego, se introdujo un mecanismo de atención sinérgico espacial-canal (SCSA) para integrar la información espacial y de canal y mejorar la fusión de características. Finalmente, el método DyATF reemplazó el sobremuestreo con Dysample y la pérdida de confianza con la pérdida focal de umbral adaptativo (ATFL), con el objetivo de restaurar los detalles de los VANT y equilibrar los pesos de las muestras positivas y negativas. Los experimentos de ablación muestran que YOLO-CoOp logra un 94.3% de precisión, un 93.1% de recuperación, un 96.2% de mAP50 y un 57.6% de mAP50-95 en el conjunto de datos UAV-SOD, con mejoras del 3.6%, 10%, 5.9% y 5% sobre el modelo base, respectivamente. Los experimentos de comparación demuestran que YOLO-CoOp tiene menos parámetros mientras mantiene un rendimiento de detección superior. Los experimentos de validación cruzada entre conjuntos de datos también demuestran que YOLO-CoOp exhibe mejoras significativas en el rendimiento en tareas de detección de objetos pequeños.