La competencia de malezas en las zonas inter- e intra-fila presenta un desafío sustancial para la productividad de los cultivos, siendo las malezas intra-fila una amenaza particularmente severa. Su proximidad a los cultivos y las tasas de oclusión más altas aumentan su impacto negativo en los rendimientos. Este estudio examina la eficacia de arquitecturas avanzadas de aprendizaje profundo, a saber, Faster R-CNN, RT-DETR y YOLOv11, en la identificación precisa de malezas y cultivos dentro de campos comerciales de maíz. Se compiló un conjunto de datos completo bajo diversas condiciones de campo, centrándose en tres especies principales de malezas: L., L. y L. YOLOv11 demostró un rendimiento superior entre los modelos evaluados, logrando una precisión media promedio (mAP) del 97.5% mientras operaba en tiempo real a 34 fotogramas por segundo (FPS). Los modelos Faster R-CNN y RT-DETR lograron un mAP del 91.9% y 97.2%, respectivamente, con capacidades de procesamiento de 11 y 27 FPS. Evaluaciones de hardware posteriores identificaron a YOLOv11m como la solución más viable para el despliegue en campo, demostrando alta precisión con un mAP del 94.4% y un menor consumo de energía. Los hallazgos enfatizan la viabilidad de emplear estos modelos avanzados para una gestión eficiente de malezas inter- e intra-fila, particularmente para la detección temprana de malezas con mínima interferencia en los cultivos. Este estudio subraya el potencial de integrar tecnologías de aprendizaje profundo de vanguardia en maquinaria agrícola para mejorar el control de malezas, reducir costos operativos y promover prácticas agrícolas sostenibles.