DeepLabCut (DLC) es una herramienta basada en aprendizaje profundo inicialmente inventada para la estimación de pose sin marcadores en mamíferos. En este estudio, exploramos la posibilidad de adoptar esta herramienta para realizar una evaluación de la fisiología cardíaca sin marcadores en un importante modelo de toxicología acuática de peces cebra. Inicialmente, se aplicó videografía de alta definición para capturar información sobre el latido del corazón a una tasa de 30 fotogramas por segundo (fps). A continuación, se utilizaron 20 videos de diferentes individuos para realizar el entrenamiento de la red neuronal convolucional etiquetando la cámara cardíaca (ventrículo) con ocho puntos de referencia. Usando Residual Network (ResNet) 152, una red neuronal con 152 capas de red neuronal convolucional y 500,000 iteraciones, obtuvimos con éxito un modelo entrenado que puede rastrear la cámara cardíaca en tiempo real. Posteriormente, validamos el rendimiento de DLC con los métodos de Análisis de Series de Tiempo (TSA) y Címograma (KYM) publicados anteriormente. También evaluamos el rendimiento de DLC desafiando a los animales experimentales con etanol y ponatinib para inducir anormalidades cardíacas e irregularidades en el latido. Los resultados mostraron que DLC es más preciso que el método TSA en varios parámetros evaluados. El modelo entrenado por DLC también detectó el ventrículo de los embriones de pez cebra incluso en la ocurrencia de anormalidades cardíacas, como el edema pericárdico. Creemos que esta herramienta es beneficiosa para estudios de investigación, especialmente para la evaluación de la fisiología cardíaca en embriones de pez cebra.