La infraestructura de transmisión de energía requiere inspección continua para prevenir fallos y garantizar la estabilidad de la red. Los sistemas basados en UAV, mejorados con aprendizaje profundo, han surgido como una alternativa eficiente a los métodos de inspección tradicionales y laboriosos. Sin embargo, la mayoría de los enfoques existentes dependen de modelos separados para la segmentación de cables y la detección de anomalías, lo que lleva a un aumento de la carga computacional y a una menor fiabilidad en aplicaciones en tiempo real. Para abordar estas limitaciones, proponemos PowerLine-MTYOLO, un modelo ligero, de una sola etapa y multitarea diseñado para la segmentación simultánea de cables de energía y la detección de hilos rotos a partir de imágenes de UAV. Basado en la arquitectura A-YOLOM y aprovechando la base de YOLOv8, nuestro modelo introduce cuatro módulos especializados novedosos: SDPM, HAD, EFR y la pérdida Shape-Aware Wise IoU, que mejoran la comprensión geométrica, la consistencia estructural y la precisión de los cuadros delimitadores. También presentamos el Conjunto de Datos Público de Cables de Energía Fusionados (MPCD), un conjunto de datos diverso y de código abierto diseñado para el entrenamiento y la evaluación multitarea. Los resultados experimentales muestran que nuestro modelo logra hasta un +10.68% mAP@50 y un +1.7% IoU en comparación con A-YOLOM, superando también a los detectores recientes basados en YOLO tanto en precisión como en eficiencia. Estas mejoras se logran con una huella de memoria del modelo más pequeña y una velocidad de inferencia similar en comparación con A-YOLOM. Al unificar la detección y la segmentación en un solo marco, PowerLine-MTYOLO ofrece una solución prometedora para la inspección aérea autónoma y sienta las bases para futuros avances en tareas de monitoreo de estructuras finas.