En el control de calidad agrícola tradicional, los productos agrícolas se seleccionan manualmente y luego se empaquetan y transportan. Sin embargo, el almacenamiento a largo plazo de frutas es un desafío en climas tropicales, especialmente en el caso de los tomates cherry. Los tomates cherry que parecen podridos deben desecharse inmediatamente durante la clasificación; de lo contrario, otros tomates cherry vecinos podrían pudrirse. La insuficiencia de mano de obra agrícola es una de las razones del aumento de tomates podridos. El desarrollo de la agricultura con tecnología inteligente se ha convertido en una tendencia principal. Este estudio propuso un mecanismo de clasificación de apariencia impulsado por la versión 4 de You Only Look Once (YOLOv4) para clasificar los tomates cherry. Se utilizaron imágenes de diferentes grados de apariencia de tomate cherry y diferentes fuentes de luz como conjuntos de entrenamiento, y los tomates cherry se dividieron en cuatro categorías según su apariencia (perfecto (con pedúnculo), bueno (sin pedúnculo), defectuoso y desechable). El servidor de IA ejecutó el marco de aprendizaje profundo YOLOv4 para el entrenamiento profundo de aprendizaje de imágenes. Cada grupo de datos se calculó considerando 100 de las cuatro categorías como la diferencia, y el número total de imágenes fue de 400, 800, 1200, 1600 y 2000. Cada grupo de datos se dividió en un conjunto de entrenamiento del 80%, un conjunto de verificación del 10% y un conjunto de prueba del 10% para superar la complejidad de identificación de diferentes apariencias e intensidades de fuentes de luz. Los resultados experimentales revelaron que los modelos que utilizan de 400 a 2000 imágenes tenían una precisión de aproximadamente el 99.9%. Por lo tanto, proponemos un nuevo mecanismo para clasificar rápidamente productos agrícolas.