La detección de vehículos aéreos no tripulados (UAV) en tiempo real es un campo de investigación en crecimiento centrado en algoritmos avanzados de visión por computadora y aprendizaje profundo. Sin embargo, el aumento de los vehículos aéreos no tripulados ha suscitado numerosas preocupaciones debido a su potencial para el uso malicioso en actividades ilegales. Para abordar estas preocupaciones, se han desarrollado recientemente enfoques de detección de objetos basados en visión para UAV. No obstante, la detección de UAV en escenarios del mundo real, como imágenes con fondos diversos y diferentes perspectivas, sigue siendo poco explorada. Para llenar este vacío, presentamos un nuevo conjunto de datos de detección de UAV llamado conjunto de datos de escenarios del mundo real (RWSD). Este conjunto de datos aprovecha imágenes del mundo real y se construye bajo condiciones desafiantes, incluyendo fondos complejos, tamaños de UAV variables, diferentes perspectivas y múltiples tipos de UAV. Su objetivo es apoyar el desarrollo de algoritmos de detección de UAV robustos que puedan funcionar bien en condiciones diversas y realistas. YOLO, un enfoque popular de detección de objetos de una sola etapa, se emplea ampliamente para la detección de UAV en diferentes entornos debido a su eficiencia y simplicidad. Sin embargo, esta serie de detectores enfrenta desafíos en escenarios del mundo real, como un exceso de computación y tasas de detección subóptimas. En este estudio, proponemos un modelo de mejora de características ligero (LFEM) para abordar estas limitaciones. Específicamente, basamos nuestro modelo en YOLOv5, introduciendo el módulo Ghost para mejorar la detección de UAV con menos operaciones de punto flotante (FLOPs). Además, incorporamos el módulo SIMAM para mejorar la representación de características, particularmente para escenarios del mundo real. Experimentos extensivos en los conjuntos de datos RWSD, UAVDT y DOTAv1.0 demuestran la efectividad de nuestro enfoque. Nuestro LFEM propuesto logra un impresionante 93.2% mAP50, superando a los modelos base mientras mantiene un perfil ligero. Estudios comparativos y de ablación confirman aún más que nuestro algoritmo es una solución prometedora y eficiente para tareas prácticas de detección de UAV.