O uso crescente de drones e a agricultura de precisão estão revolucionando a forma como os agricultores gerenciam suas safras. Drones equipados com tecnologia avançada permitem a coleta de dados em tempo real sobre as condições das culturas, como umidade do solo, saúde das plantas e presença de pragas. Essa coleta de informações detalhadas possibilita uma análise mais precisa e fundamentada, permitindo que os agricultores tomem decisões informadas sobre o manejo das safras. O propósito desta pesquisa é treinar e avaliar um modelo fundamentado em aprendizado profundo, conhecido como Deep Learning, para a detecção e classificação de objetos relevantes na agricultura e no meio urbano, utilizando imagens aéreas. Para a obtenção das imagens, foi utilizado o drone DJI Mini 2 em conjunto com a aplicação Drone Harmony©, uma ferramenta que permite o planejamento automatizado de voos. Este software possibilita a definição de parâmetros cruciais, como rota, altitude de voo, sobreposição de imagens e trajetória (linear ou em grade), otimizando o processo de aquisição de imagens. A altura de voo do drone foi fixada em 15 metros acima das plantações, com o objetivo de garantir uma visão abrangente e capturar imagens com resolução adequada para análises detalhadas. A anotação das imagens foi realizada através da ferramenta LabelMe©, que possibilita a marcação manual das áreas de interesse, fornecendo ao modelo informações essenciais para o reconhecimento de padrões. Este processo de anotação resultou na criação de um conjunto de dados que servirá como base para o treinamento de um modelo de rede neural convolucional (CNN). Com a plataforma RoboFlow©, as imagens foram categorizadas e subdivididas em conjuntos de treinamento, validação e teste. A qualidade dos dados de treinamento é fundamental para a eficácia do modelo, sendo que um maior volume de dados de alta qualidade resulta em um aprendizado mais eficiente. Neste estudo, a rede neural YOLOv8 foi utilizada para o treinamento. Os experimentos realizados demonstraram a eficácia da combinação de drones com câmeras e algoritmos de redes neurais convolucionais na estimativa de populações de plantas indesejadas. A rede neural foi avaliada em termos de perda e precisão, evidenciando que a perda diminuiu conforme o modelo foi treinado, indicando uma melhoria nas previsões. A precisão variou entre 72% e 84%, com oscilações ocasionais atribuídas a fatores como ruído nos dados e altas taxas de aprendizado. Observou-se também a ocorrência de overfitting, o que indicou que o modelo se adaptou excessivamente aos dados de treinamento, prejudicando sua capacidade de generalização. A combinação de drones e algoritmos de aprendizado profundo se revelou uma solução promissora para a identificação de objetos relevantes na agricultura. Além disso, essa abordagem também oferece uma oportunidade valiosa para a capacitação de estudantes em áreas como tecnologias de sensoriamento remoto e inteligência artificial. A integração da tecnologia no processo de ensino e aprendizado contribui para a formação de profissionais mais preparados para enfrentar os desafios contemporâneos da agricultura, promovendo práticas agrícolas mais sustentáveis e eficientes. Palavras-chave: Agricultura de Precisão, Drones, Aprendizado Profundo, Detecção de Objetos, Capacitação Estudantil.