La biodiversidad regula los procesos de los agroecosistemas, asegurando la estabilidad. Preservar y restaurar la biodiversidad es vital para la producción agrícola sostenible. La identificación y clasificación de especies en comunidades vegetales son clave en los estudios de biodiversidad. La teledetección apoya la identificación de especies. Sin embargo, identificar con precisión las especies de plantas en áreas vegetales heterogéneas presenta desafíos en la adquisición de conjuntos de datos, preparación y selección de modelos para la clasificación de imágenes. Este estudio presenta un método que combina el aprendizaje automático supervisado basado en objetos para la preparación de conjuntos de datos y un modelo de transferencia de aprendizaje preentrenado (EfficientNetV2) para la clasificación precisa de especies de plantas en áreas heterogéneas. La metodología se basa en la segmentación multiresolución de la ortofoto RGB de UAV de la comunidad vegetal en múltiples objetos de dosel, y en la clasificación de las plantas en la ortofoto utilizando el algoritmo de aprendizaje automático supervisado K-nearest neighbor (KNN). Los doseles de especies individuales de plantas se extraen con el conjunto de datos de entrenamiento de ArcGIS. Luego se aplica un modelo de transferencia de aprendizaje preentrenado para la clasificación. Los resultados de las pruebas muestran que el EfficientNetV2 logra una impresionante precisión de clasificación del 99% para siete especies de plantas. Un estudio comparativo contrasta el modelo EfficientNetV2 con otros modelos de transferencia de aprendizaje ampliamente utilizados: ResNet50, Xception, DenseNet121, InceptionV3 y MobileNetV2.