La integración de la inteligencia artificial en los sistemas de vehículos aéreos no tripulados puede mejorar el proceso de vigilancia de áreas exteriores extensas, que son típicas en las instalaciones logísticas. En este trabajo, proponemos métodos para optimizar el entrenamiento de dichos sistemas de alto rendimiento. Específicamente, proponemos un enfoque novedoso para ajustar los hiperparámetros de entrenamiento del modelo YOLOv3 para mejorar la detección de objetos a gran altitud. Típicamente, el proceso de ajuste requiere un esfuerzo computacional significativo para entrenar el modelo bajo numerosas combinaciones de hiperparámetros. Para abordar este desafío, el enfoque propuesto busca sistemáticamente en el espacio de hiperparámetros mientras reduce los requisitos computacionales. Esto se logra estimando el rendimiento del modelo a partir de sesiones de entrenamiento que terminan anticipadamente. Los resultados revelan el valor del ajuste sistemático de hiperparámetros; indicativamente, el rendimiento del modelo varió más del 13% en términos de precisión media promedio (mAP), dependiendo de la configuración de los hiperparámetros. Además, el método de terminación anticipada del entrenamiento ahorró más del 90% del tiempo de entrenamiento. El método propuesto para buscar en el espacio de hiperparámetros, junto con la estimación temprana del rendimiento del modelo, apoya el desarrollo de modelos altamente eficientes para la vigilancia basada en UAV de instalaciones logísticas. El enfoque propuesto también identifica los efectos de los hiperparámetros y sus interacciones en el rendimiento del modelo.