Con el desarrollo y la construcción continua de nuevos sistemas de energía, el uso de drones para inspeccionar el estado de los aisladores de las líneas de transmisión se ha convertido en una tendencia inevitable. Para facilitar el despliegue del equipo de hardware de drones, este documento propone IDD-YOLO (Detección de Defectos en Aisladores-YOLO), un modelo ligero de detección de defectos en aisladores. Inicialmente, la red base de IDD-YOLO emplea GhostNet para la extracción de características. Sin embargo, debido a la limitada capacidad de extracción de características de GhostNet, diseñamos un mecanismo de atención ligero llamado LCSA (Atención Ligera Canal-Espacial), que se combina con GhostNet para capturar características de manera más completa. En segundo lugar, la red de cuello de IDD-YOLO utiliza PANet para la transformación de características e introduce los módulos de convolución GSConv y C3Ghost para reducir parámetros redundantes y aligerar la red. La red de cabeza emplea la cabeza de detección YOLO, incorporando la función de pérdida EIOU y la función de activación Mish para optimizar la velocidad y precisión de la detección de defectos en aisladores. Finalmente, el modelo se optimiza utilizando TensorRT y se despliega en la plataforma móvil NVIDIA Jetson TX2 NX para probar la velocidad de inferencia real del modelo. Los resultados experimentales demuestran que el modelo exhibe un rendimiento excepcional tanto en el conjunto de datos de defectos en aisladores propietario ID-2024 como en el conjunto de datos público SFID. Después de la optimización con TensorRT, la velocidad de inferencia real del modelo IDD-YOLO alcanzó 20.83 fotogramas por segundo (FPS), cumpliendo con las demandas de inspección precisa y en tiempo real de los defectos en aisladores por parte de drones.