La tarea de clasificación de especies de árboles a través del aprendizaje profundo ha sido un desafío para la comunidad forestal, y la falta de conjuntos de datos estandarizados ha obstaculizado aún más el progreso. Nuestro trabajo presenta una solución en forma de un gran conjunto de datos de imágenes de corteza llamado CentralBark, que mejora la clasificación de especies de árboles basada en el aprendizaje profundo. Además, hemos establecido un protocolo eficiente y repetible de recopilación de datos para ayudar a futuros trabajos de manera organizada. El conjunto de datos contiene imágenes de 25 especies de árboles de madera dura central y la región de los Apalaches, con más de 19,000 imágenes de diámetros, condiciones de luz y humedad variables. Probamos 25 especies: olmo, roble, tilo americano, haya americana, olmo americano, sicomoro americano, pacana amarga, cerezo negro, algarrobo negro, roble negro, nogal negro, álamo de Carolina, almez, algarrobo, roble rojo del norte, castaño de Ohio, naranjo de Osage, pacana, sasafrás, pacana de cáscara rugosa, arce plateado, olmo resbaladizo, arce azucarero, liquidámbar, fresno blanco, roble blanco y tulípero amarillo. Nuestro experimento implicó probar tres modelos diferentes para evaluar la viabilidad de la clasificación de especies utilizando imágenes no alteradas y sin recortar durante el proceso de entrenamiento de clasificación de especies. Logramos una precisión general del 83.21% utilizando el modelo EfficientNet-b3, que fue el mejor de los tres modelos (EfficientNet-b3, ResNet-50 y MobileNet-V3-small), y una precisión promedio del 80.23%.