En las fotografías de vehículos aéreos no tripulados, los algoritmos de detección de objetos enfrentan desafíos para mejorar tanto la velocidad como la precisión en objetos de diferentes tamaños, principalmente debido a fondos complejos y objetos pequeños. Este estudio presenta el algoritmo PDWT-YOLO, basado en el modelo YOLOv7-tiny, para mejorar la efectividad de la detección de objetos de todos los tamaños. El método propuesto mejora la detección de objetos pequeños al incorporar una capa dedicada de detección de objetos pequeños, al tiempo que reduce el conflicto entre las tareas de clasificación y regresión mediante la sustitución de la cabeza de detección (IDetect) del modelo YOLOv7-tiny por una cabeza desacoplada. Además, la convergencia de la red se acelera y la precisión de la regresión se mejora al reemplazar la función de pérdida de Intersección Completa sobre Unión (CIoU) con un mecanismo de enfoque de Intersección Sabia sobre Unión (WIoU) en la función de pérdida. Para evaluar la efectividad del modelo propuesto, se entrenó y probó en el conjunto de datos VisDrone-2019 que comprende imágenes capturadas por diversos drones en diversos escenarios, condiciones climáticas y de iluminación. Los experimentos muestran que mAP@0.5:0.95 y mAP@0.5 aumentaron en un 5% y 6.7%, respectivamente, con una velocidad de ejecución aceptable en comparación con el modelo YOLOv7-tiny original. Además, este método muestra una mejora en otros conjuntos de datos, confirmando que PDWT-YOLO es efectivo para la detección de objetos a escala múltiple.