En Oaxaca, México, hay más de 30 especies del género, y su cultivo es de gran importancia económica y social. La incidencia de plagas, enfermedades y estrés ambiental causa pérdidas significativas en el cultivo. La identificación de daños a través de herramientas no invasivas basadas en información visual es importante para reducir las pérdidas económicas. El objetivo de este estudio fue evaluar y comparar cinco modelos de aprendizaje profundo: las versiones 7, 7-tiny y 8 de YOLO, y dos de la biblioteca Detectron2, Faster-RCNN y RetinaNet, para la detección y clasificación de plantas en imágenes digitales. En el pueblo de Santiago Matatlán, Oaxaca, se tomaron 333 imágenes en una plantación al aire libre, y se etiquetaron 1317 plantas en cinco clases: enfermas, amarillas, sanas, pequeñas y manchadas. Los modelos se entrenaron con una partición aleatoria del 70%, se validaron con un 10%, y se probaron con el 20% restante. Los resultados obtenidos de los modelos indican que YOLOv7 es el modelo con mejor rendimiento, en términos del conjunto de pruebas, con un de 0.616, superando a YOLOv7-tiny y YOLOv8, ambos con un de 0.606 en el mismo conjunto; demostrando que la inteligencia artificial para la detección y clasificación de plantas en condiciones de cultivo es factible utilizando imágenes digitales.