La estimación de rendimiento de cítricos utilizando aprendizaje profundo y vehículos aéreos no tripulados (UAVs) es un método efectivo que puede lograr alta precisión y ahorro de mano de obra. Sin embargo, muchas variedades de cítricos con diferentes formas y colores de frutas requieren modelos de detección de frutas específicos para cada variedad, lo que dificulta adquirir una cantidad sustancial de imágenes para cada variedad. Entender el rendimiento de los modelos en conjuntos de datos de imágenes restringidos o sesgados es crucial para determinar métodos para mejorar el rendimiento del modelo. En este estudio, evaluamos la precisión de los modelos You Only Look Once (YOLO) v8m, YOLOv9c y YOLOv5mu utilizando conjuntos de datos de imágenes restringidos o sesgados para obtener conocimientos fundamentales para estimar el rendimiento de imágenes de UAV de árboles de cítricos maduros amarillos. Nuestros resultados demuestran que el modelo YOLOv5mu tuvo un mejor rendimiento que los demás basados en los conjuntos de datos de 25 imágenes restringidos, logrando una precisión promedio más alta en una intersección sobre unión de 0.50 (AP@50) (85.1%) que los modelos YOLOv8m (80.3%) y YOLOv9c (81.6%) en el conjunto de datos de entrenamiento. Por otro lado, se reveló que la mejora del rendimiento debido a la ampliación de datos fue alta para los modelos YOLOv8m y YOLOv9c. Además, se demostró el impacto del sesgo en el conjunto de datos de entrenamiento, como la condición de luz y el color de la fruta, en el rendimiento del modelo de detección de frutas. Estos hallazgos proporcionan información crítica para seleccionar modelos en función de la cantidad y calidad de los datos de imagen recopilados bajo condiciones reales de campo.