Los problemas actuales relacionados con la industria del cultivo de algodón, a saber, la estimación de rendimientos, el efecto de las plagas y el diagnóstico de fases de crecimiento, requieren soluciones de monitoreo integradas y escalables. Este escrito revela el Aprendizaje Multitarea de Algodón (CMTL), un marco multitarea impulsado por transformadores que lanza tres tareas agronómicas principales a partir de imágenes de UAV de una sola vez: detección de cápsulas, segmentación de daños por plagas y clasificación de etapas fenológicas. CMTL no cambia los pipelines separados, sino que fusiona estos objetivos utilizando un Codificador Multi-Granular a Nivel Cruzado (CLMGE) y un módulo de Fusión de Atención Auto-Distilada Multitarea (MSDAF) que permiten el aprendizaje mutuo entre tareas y aún mantienen sus características específicas. La Pérdida de Consistencia de Etapas guiada biológicamente es la parte de la arquitectura de la red que permite al sistema llevar a cabo transiciones de etapas de crecimiento que ocurren en la realidad. Ejecutamos CMTL en un conjunto de datos de UAV de tres fuentes que fusionó más de 2100 imágenes etiquetadas de colecciones públicas y privadas, representando una variedad de etapas y condiciones de cultivo. El modelo mostró sus virtudes en comparación con los estándares de última generación en todas las tareas: estableciendo 0.913 mAP para la detección de cápsulas, 0.832 IoU para la segmentación de plagas y 0.936 de precisión para la clasificación de etapas de crecimiento. Además, funciona a la velocidad de rendimiento más rápida en dispositivos de borde como el NVIDIA Jetson Xavier NX (fabricado en Shanghái, China), lo que lo hace ideal para su implementación. Estos resultados evocan la promesa de CMTL como un instrumento único y productivo de inteligencia agrícola aérea en la agricultura de precisión del algodón.