En los sistemas de contramedidas contra drones, el seguimiento de drones se realiza comúnmente utilizando métodos de detección de objetos, que generalmente se limitan a identificar la presencia de un drone. Para mejorar el rendimiento de dichos sistemas y aumentar la precisión de la predicción de la postura de vuelo del drone, capturando con precisión componentes críticos como rotores, placas base y trayectorias de vuelo, este documento presenta un nuevo modelo de detección de puntos clave de drones, UVPose, construido sobre el marco MMpose. Primero, diseñamos una innovadora red de backbone, MDA-Net, basada en la arquitectura CSPNet. Esta red mejora la extracción de características a múltiples escalas y refuerza las conexiones entre características de bajo y alto nivel. Para mejorar aún más la percepción de puntos clave y la precisión de la estimación de la postura, se integra un mecanismo de atención paralelo, que combina atención de canal y atención espacial. A continuación, proponemos una estructura de cuello avanzada, RFN, que combina características semánticas de alto nivel del backbone con rica información contextual del cuello. Para la cabeza, adoptamos el método SimCC, optimizado para la localización de puntos clave de manera ligera, eficiente y precisa. Los resultados experimentales demuestran que UVPose supera a los modelos existentes, logrando un PCK del 79.2%, un AP del 67.2% y un AR del 73.5%, con solo 15.8 millones de parámetros y 3.3 G de computación. Este equilibrio entre precisión y eficiencia de recursos hace que UVPose sea muy adecuado para su implementación en dispositivos de borde.