La Movilidad Aérea Urbana (UAM) surge como un enfoque transformador para abordar la congestión y la contaminación urbanas, ofreciendo un transporte eficiente y sostenible para personas y mercancías. Central en la UAM está el Gemelo Digital Operacional (ODT), que desempeña un papel crucial en la gestión en tiempo real del tráfico aéreo, mejorando la seguridad y la eficiencia. Este estudio presenta un marco YOLOTransfer-DT diseñado específicamente para el entrenamiento de Inteligencia Artificial (IA) en entornos simulados, centrándose en su utilidad para el aprendizaje experiencial en escenarios realistas. El objetivo del marco es aumentar el entrenamiento de IA, particularmente en el desarrollo de un sistema de detección de objetos que emplea tareas visuales para la identificación proactiva de conflictos y el apoyo a misiones, aprovechando técnicas de aprendizaje profundo y transferencia. La metodología propuesta combina detección en tiempo real, aprendizaje por transferencia y un novedoso proceso de mezcla para la extracción de datos ambientales, probado rigurosamente en simulaciones realistas. Los hallazgos validan el uso de modelos de aprendizaje profundo existentes para el reconocimiento de objetos en tiempo real en condiciones similares. Esta investigación subraya el valor del marco ODT para cerrar la brecha entre entornos virtuales y reales, destacando la seguridad y la rentabilidad de las pruebas virtuales. Este marco adaptable facilita una amplia experimentación y entrenamiento, demostrando su potencial como base para técnicas avanzadas de detección en UAM.