La enfermedad del marchitamiento del pino representa una amenaza global significativa para los bosques, lo que requiere métodos de detección rápidos. Los enfoques convencionales son intensivos en recursos, pero el uso de aprendizaje profundo en imágenes orto-mapeadas obtenidas de Vehículos Aéreos no Tripulados ofrece soluciones rentables y escalables. Este estudio presenta un método novedoso para la detección y clasificación de la enfermedad del marchitamiento del pino utilizando YOLOv8 para segmentar áreas enfermas, seguido de recortar las regiones enfermas de la imagen original y aplicar Aprendizaje Profundo Métrico para la clasificación. Entrenamos un modelo ResNet50 utilizando pérdida de tripletes semi-difícil para obtener incrustaciones, y posteriormente entrenamos un clasificador de Bosque Aleatorio encargado de identificar especies de árboles y distinguir falsos positivos. Se favoreció la segmentación sobre la detección de objetos debido a su capacidad para proporcionar información a nivel de píxeles, lo que permite la extensión flexible de las cajas delimitadoras subsiguientes. Se eligió la clasificación basada en Aprendizaje Profundo Métrico después de la segmentación por su efectividad en el manejo de imágenes visualmente similares. Los resultados indican una Intersección sobre Unión media del 83.12% para la segmentación, con precisión de clasificación del 98.7% y 90.7% en los conjuntos de validación y prueba, respectivamente.