En el cultivo de arándanos, evaluar con precisión la madurez es fundamental para una cosecha eficiente. Las soluciones de Aprendizaje Profundo, cada vez más populares en esta área, a menudo se someten a evaluaciones a través de métricas como la precisión media (mAP). Sin embargo, estas métricas pueden capturar solo parcialmente el rendimiento real de los modelos, especialmente en entornos con recursos limitados como los drones agrícolas o robots. Para abordar esto, nuestro estudio evalúa modelos de Aprendizaje Profundo, como YOLOv7, RT-DETR y Mask-RCNN, para detectar y clasificar arándanos. Realizamos estas evaluaciones tanto en computadoras potentes como en sistemas integrados. Utilizando el análisis de Error del Detector de Tipo-Influencia (TIDE), examinamos de cerca la precisión de estos modelos. Nuestra investigación revela que las oclusiones parciales comúnmente causan errores, y optimizar estos modelos para dispositivos integrados puede aumentar su velocidad sin perder precisión. Este trabajo mejora la comprensión de los modelos de detección de objetos para la detección y estimación de la madurez de los arándanos.