Debido al aumento previsto de los Sistemas de Aeronaves No Tripuladas (UAS) en operaciones comerciales, civiles y militares, existe el deseo de hacer que los UAS sean más eficientes en términos de energía para que puedan proliferar con facilidad de despliegue y máxima duración por carga. Para abordar las limitaciones actuales, se investiga un enfoque de tres niveles para mitigar el tiempo de vuelo en suspensión de los Vehículos Aéreos No Tripulados (UAV), reducir la transmisión de datos de red a una estación terrestre y proporcionar un marco en tiempo real para la clasificación de objetivos de Detección y Evitación (SAA). Se presenta un marco arquitectónico de UAS eficiente en energía, y se desarrolla un prototipo de SAA correspondiente utilizando hardware comercial para validar la arquitectura propuesta mediante una metodología experimental. La arquitectura propuesta utiliza métodos clásicos de visión por computadora dentro del Subsistema de Detección, acoplados con Redes Neuronales Convolucionales (CNN) profundamente aprendidas dentro del Subsistema de Clasificación. Se realizan operaciones en tiempo real de tres fotogramas por segundo, lo que permite eliminar efectivamente el tiempo de vuelo en suspensión de los UAV y el consumo de energía asociado durante el procesamiento de SAA. No se abordan mejoras adicionales en el consumo de energía en el alcance de este trabajo. La precisión de inferencia se mejora en un 19% en comparación con los modelos COTS de referencia y las arquitecturas SAA no adaptativas de una sola etapa actuales. En general, al llevar el procesamiento de SAA al límite de los sensores, las transmisiones de descarga de red y las reducciones en el tiempo de procesamiento y el consumo de energía son factibles y realistas en los futuros sistemas de transporte aéreo eléctrico alimentados por batería.