Este estudio realizó un análisis de las capacidades de detección de cero disparos utilizando dos marcos, YOLO-World y Grounding DINO, en una selección de imágenes en el sistema de cultivo de arándanos silvestres (Ait.). Los conjuntos de datos incluyeron arándanos silvestres maduros, festuca de pelo (Pourr.), brotes de arándano y enfermedad de la hoja roja (). Se utilizaron métricas clave de rendimiento como la Intersección sobre Unión (IoU), precisión, recuperación y puntuación F1 para la comparación de modelos. Grounding DINO logró consistentemente un rendimiento superior en todas las métricas y conjuntos de datos, alcanzando IoUs medios significativamente más altos en arándanos, hoja roja, festuca de pelo y brotes (0,642, 0,921, 0,735 y 0,629, respectivamente) en comparación con YOLO-World (0,516, 0,567, 0,232 y 0,408, respectivamente). Evidenciado por sus altas tasas de recuperación en relación con la precisión, los modelos mostraron una preferencia por identificar verdaderos positivos a costa de aumentar falsos positivos. La mayor precisión de Grounding DINO (media general de 0,672), a pesar de la tendencia a sobre detectar, indicó un mejor equilibrio en la minimización de falsos positivos que YOLO-World (media general de 0,501). Estos hallazgos contrastan con el estudio fundamental de YOLO-World donde demostró un rendimiento superior en conjuntos de datos estándar, resaltando la importancia de las características de los conjuntos de datos y los procesos de optimización en el rendimiento del modelo. Las implicaciones prácticas de este estudio incluyen proporcionar una solución para la aceleración de la anotación de imágenes de detección de objetos en el sistema de cultivo de arándanos silvestres. Este trabajo, que representa un avance significativo en facilitar la anotación precisa y eficiente de conjuntos de datos de arándanos silvestres, guía la investigación futura en la aplicación de modelos de detección de cero disparos a conjuntos de datos agrícolas.