La acumulación de basura marina (BM) en la zona costera ha sido reconocida como un problema importante en nuestra época, ya que puede afectar drásticamente el medio ambiente, los ecosistemas marinos y las comunidades costeras. Los métodos de monitoreo existentes no responden a los cambios y dinámicas espaciotemporales de las concentraciones de BM. Trabajos recientes mostraron que los sistemas aéreos no tripulados (UAS), junto con métodos de visión por computadora, ofrecen una alternativa viable para el monitoreo de BM. En este contexto, propusimos un protocolo de adquisición y anotación de datos de UAS basado en ciencia ciudadana combinado con técnicas de aprendizaje profundo para la detección y mapeo automáticos de las concentraciones de BM en la zona costera. Se entrenaron cinco redes neuronales convolucionales (CNN) para clasificar los mosaicos de imágenes de UAS en dos clases: (a) basura y (b) sin basura. Al probar la capacidad de generalización de las CNN a un conjunto de datos no visto, encontramos que la CNN VVG19 devolvió una precisión general del 77.6% y un f-score del 77.42%. Se crearon mapas de densidad de BM utilizando los resultados de clasificación automatizada. Se compararon con los producidos por una clasificación de cribado manual, demostrando la transferibilidad geográfica de nuestro enfoque a playas nuevas y desconocidas. Aunque el reconocimiento de BM sigue siendo una tarea desafiante, este estudio proporciona evidencia sobre la viabilidad de utilizar un método de monitoreo basado en UAS y ciencia ciudadana en combinación con técnicas de aprendizaje profundo para la cuantificación de la carga de BM en la zona costera utilizando mapas de densidad.