En los últimos años, los vehículos aéreos no tripulados (VANT) han mostrado un potencial significativo en diversas aplicaciones, atrayendo la atención tanto de la academia como de la industria. En escenarios específicos, se espera que los VANT logren volar en formación sin depender de la comunicación o asistencia externa. En este contexto, nuestro trabajo se centra en la clásica formación de líder-seguidor y presenta un método de control de persecución basado en aprendizaje que permite a un VANT cuatrirrotor perseguir de manera autónoma a un VANT de ala fija altamente maniobrable. El método propuesto utiliza una red neuronal llamada Vision Follow Net (VFNet), que integra datos visuales monoculares con la información del estado de vuelo del VANT. Utilizando un mecanismo de autoatención de múltiples cabezas, VFNet agrega datos a lo largo de una ventana de tiempo para predecir los puntos de referencia para el vuelo de persecución. El ángulo de guiñada del cuatrirrotor se controla calculando el ángulo de línea de visión (LOS) hacia el objetivo, asegurando que el objetivo permanezca dentro del campo de visión de la cámara a bordo durante el vuelo. Se desarrolla un sistema de vuelo de simulación que se utiliza para el entrenamiento y validación de la red neuronal. Los resultados experimentales indican que el cuatrirrotor mantiene un rendimiento de persecución estable a través de diversas maniobras del VANT de ala fija y puede mantener la formación durante largos períodos. Nuestra investigación explora el uso de redes neuronales de extremo a extremo para el vuelo en formación de VANT, abarcando desde la percepción hasta el control.