Los conservacionistas de la vida silvestre han dependido históricamente de métodos manuales para la identificación y seguimiento de especies aviares, para monitorear la dinámica poblacional y discernir amenazas potenciales. No obstante, muchas de estas técnicas presentan desafíos inherentes y limitaciones de tiempo. Con el avance de las técnicas de visión por computadora, la detección y reconocimiento automatizado de aves se ha vuelto posible. Este estudio tuvo como objetivo avanzar aún más en la tarea de detectar aves silvestres utilizando métodos de visión por computadora con imágenes de drones, así como automatizar completamente el proceso de detección y seguimiento. Sin embargo, detectar objetos en imágenes de drones presenta un desafío significativo, debido a las altitudes elevadas, así como al movimiento dinámico tanto del dron como de las aves. En este estudio, desarrollamos e introducimos un modelo de vanguardia titulado ORACLE (modelo optimizado, riguroso y avanzado para aprovechar la protección de los ecosistemas). ORACLE tiene como objetivo facilitar una comunicación robusta entre múltiples modelos, con el objetivo de recuperación de datos, utilizando rigurosamente diversas técnicas de visión por computadora, como la detección de objetos y el seguimiento de múltiples objetos (MOT). Los resultados de los modelos de visión de ORACLE se evaluaron en un 91.89% mAP a un 50% IoU.