Las cebollas (L.) son un cultivo hortícola de importancia global, ocupando el segundo lugar después de los tomates en cuanto a cultivo y consumo. Sin embargo, debido a la compleja estructura genómica del cultivo, su ciclo de crecimiento prolongado, la autoincompatibilidad y la susceptibilidad a enfermedades, el mejoramiento de la cebolla es un desafío. Para abordar estos problemas, implementamos técnicas de mejoramiento digital utilizando datos genómicos de 98 líneas de cebolla elite. Identificamos 51,499 variantes de alta calidad y empleamos estos datos para construir un modelo de valor de mejoramiento genómico estimado (GEBV) y aplicar métodos de aprendizaje automático para la predicción del peso del bulbo. La validación con 260 nuevos individuos reveló que el modelo de aprendizaje automático logró una precisión del 83.2% y solo requirió treinta y nueve SNPs. Simulaciones posteriores de cruzamiento in silico indicaron que la descendencia de las 5% mejores líneas elite mostró los pesos de bulbo más altos, en línea con los métodos tradicionales de selección fenotípica. Este enfoque demuestra que la selección en etapas tempranas basada en información genotípica seguida de cruzamientos puede lograr resultados de mejoramiento económicamente viables. Esta metodología no se limita al peso del bulbo y puede aplicarse a varios rasgos hortícolas, mejorando significativamente la eficiencia del mejoramiento de la cebolla a través de tecnologías digitales avanzadas. La integración de datos genómicos, aprendizaje automático y simulaciones por computadora proporciona un marco poderoso para estrategias de mejoramiento basadas en datos, acelerando el desarrollo de variedades superiores de cebolla para satisfacer la demanda global.