La clasificación de enfermedades de las plantas es un campo de investigación crucial debido a sus aplicaciones prácticas en la agricultura. Si bien se han desarrollado muchos métodos, se ha logrado un progreso significativo utilizando redes neuronales convolucionales. Sin embargo, entrenar estos modelos generalmente requiere grandes conjuntos de datos, que son difíciles de recopilar en el ámbito de las enfermedades de las plantas. Este desafío es común en varios campos, lo que ha llevado al desarrollo de métodos avanzados, como el aprendizaje con pocos ejemplos. El aprendizaje con pocos ejemplos permite la clasificación de imágenes incluso cuando hay menos de 10 ejemplos disponibles para cada categoría. Muchos de estos métodos se basan en identificar similitudes entre imágenes. Varias funciones de pérdida utilizadas en el aprendizaje con pocos ejemplos, junto con arquitecturas de redes neuronales populares, fueron evaluadas en este estudio para clasificar 68 clases de enfermedades de las plantas. El conjunto de datos consistió en 4000 imágenes recopiladas en condiciones del mundo real, lo que lo hace ideal para probar estos métodos. Los resultados destacan los enfoques más efectivos para la organización y el entrenamiento del modelo, junto con las técnicas de aprendizaje de similitudes preferidas. Además, el conjunto de datos reducido se ha publicado en línea, lo que permite a otros investigadores comparar sus métodos y contribuir a los avances en este campo.