La antracnosis, predominantemente causada por, reduce severamente el rendimiento en la producción de x. Evaluamos marcos de aprendizaje automático (ML) en conjunto para mejorar la predicción genómica (GP) de resistencia utilizando una población de entrenamiento de 300 individuos de seis familias de medio hermano. La genotipificación con el array Axiom 50K FanaSNP y la fenotipificación mediante AUDPC después de la inoculación artificial permitieron la evaluación de cinco algoritmos: G-BLUP, LASSO, LightGBM, Random Forest y XGBoost, combinados con selección de características informada y aumento de datos basado en remuestreo (3x, 5x). Los modelos de ML en conjunto superaron consistentemente a los enfoques lineales, siendo Random Forest, LightGBM y XGBoost los que lograron las mayores precisiones. La priorización de marcadores reveló que un panel reducido de SNP de aproximadamente 200 marcadores proporcionó un rendimiento predictivo casi máximo (R hasta 0.991), demostrando que subconjuntos compactos pueden apoyar una GP rentable. El aumento de datos, implementado a través del remuestreo de observaciones existentes en lugar de la creación de nuevos alelos, mejoró el poder estadístico y la estabilidad del modelo bajo tamaños de muestra limitados. En conjunto, este estudio demuestra que (i) los modelos de ML en conjunto ofrecen una precisión superior para predecir resistencia poligénica, (ii) los pequeños paneles de SNP pueden lograr alta eficiencia y (iii) el aumento mejora la robustez en poblaciones de cría con recursos limitados. Estos hallazgos establecen un pipeline de GP escalable y orientado al criador para acelerar el desarrollo de cultivares de fresa resistentes a la antracnosis.