Los sistemas aéreos no tripulados (UAS) basados en la teledetección y el análisis de inteligencia artificial (IA) permiten la detección en tiempo real de incendios forestales o de maleza, facilitando una respuesta temprana para minimizar daños y proteger vidas y propiedades. Sin embargo, su efectividad está limitada por tres problemas: distinguir el humo de la niebla, el alto costo de la anotación manual y las demandas computacionales de modelos grandes. Este estudio aborda los tres desafíos clave al introducir la pluma como un nuevo indicador para distinguir mejor el humo de elementos visuales similares, y al emplear un método de anotación híbrido utilizando la destilación de conocimiento (KD) para reducir el trabajo de expertos y acelerar el etiquetado. Además, aprovecha modelos ligeros YOLO Nano entrenados con pseudoetiquetas generadas a partir de una red docente ajustada para reducir las demandas computacionales mientras se mantiene una alta precisión de detección para el monitoreo en tiempo real de incendios forestales. Se realizaron quemas controladas en pilas en Canungra, QLD, Australia, para recopilar imágenes capturadas por UAS sobre vegetación de hoja caduca, que fueron posteriormente aumentadas con el conjunto de datos Flame2, que contiene imágenes de incendios forestales de vegetación de coníferas. Un modelo Grounding DINO, ajustado utilizando aprendizaje de pocos disparos, sirvió como la red docente para generar pseudoetiquetas para una parte significativa del conjunto de datos Flame2. Estas pseudoetiquetas se utilizaron luego para entrenar redes estudiantiles que consisten en arquitecturas YOLO Nano, específicamente las versiones 5, 8 y 11 (YOLOv5n, YOLOv8n, YOLOv11n). Los resultados experimentales muestran que YOLOv8n y YOLOv5n lograron un mAP@0.5 de 0.721. La detección de plumas supera a los indicadores de humo (F1: 76.1-85.7% frente a 70%) en escenarios de niebla e incendios forestales. Estos hallazgos subrayan el valor de incorporar la pluma como una clase distinta y utilizar KD, ambos de los cuales mejoran la precisión de detección y la escalabilidad, apoyando en última instancia un monitoreo y respuesta a incendios forestales más confiables y oportunos.