Con el rápido crecimiento de la población, aumentar la productividad agrícola es un requisito extremo para satisfacer las demandas. La identificación temprana de enfermedades de cultivos es esencial para prevenir la pérdida de rendimiento. Sin embargo, es una tarea tediosa monitorear manualmente las enfermedades de las hojas, ya que requiere un profundo conocimiento de los patógenos de las plantas, mucho trabajo y un tiempo de procesamiento excesivo. Con estos propósitos, varios métodos basados en procesamiento de imágenes, aprendizaje profundo y aprendizaje automático son desarrollados y examinados por investigadores para la identificación de enfermedades de hojas de cultivos y a menudo han obtenido resultados significativos. Motivados por este trabajo existente, realizamos un estudio comparativo exhaustivo entre el aprendizaje automático tradicional (SVM, LDA, KNN, CART, RF y NB) y los modelos de aprendizaje profundo por transferencia (VGG16, VGG19, InceptionV3, ResNet50 y CNN) en términos de precisión, exactitud, puntuación f1 y recuperación en un conjunto de datos tomado del Conjunto de Datos PlantVillage compuesto por hojas de cultivos enfermas y sanas para clasificación binaria. Además, aplicamos varias funciones de activación y optimizadores de aprendizaje profundo para mejorar aún más el rendimiento de estas arquitecturas de CNN. La precisión de clasificación (CA) de las enfermedades de las hojas que obtuvimos mediante experimentación es bastante impresionante para todos los modelos. Nuestros hallazgos revelan que NB ofrece la menor CA con un 60.09%, mientras que el modelo InceptionV3 obtiene la mejor CA, alcanzando una precisión del 98.01%.