La malaria representa un problema de salud global todos los días, ya que afecta a millones de vidas en todo el mundo. Un diagnóstico tradicional requiere la inspección manual de frotis de sangre del paciente bajo un microscopio para verificar la presencia del parásito de la malaria. Esto suele ser lento y propenso a errores. Por lo tanto, la detección y clasificación automatizada del tipo de malaria y el estadio de progresión pueden proporcionar un diagnóstico más rápido y preciso para los pacientes. En esta investigación, utilizamos dos modelos de detección de objetos, YOLOv5 y YOLOv4 escalado, para clasificar el estadio de progresión y el tipo de parásito de la malaria. También utilizamos dos conjuntos de datos diferentes para la clasificación del estadio y el tipo de parásito, evaluando la viabilidad del conjunto de datos para la tarea. El conjunto de datos utilizado está compuesto por imágenes microscópicas de glóbulos rojos que estaban parasitados o no infectados. Las células infectadas se clasificaron en dos categorías amplias: el tipo de parásito malárico que causa la infección y el estadio de progresión de la enfermedad. El conjunto de datos fue anotado manualmente utilizando la herramienta LabelImg. Las imágenes fueron luego aumentadas para mejorar el entrenamiento del modelo. Ambos modelos, YOLOv5 y YOLOv4 escalado, demostraron ser efectivos en la clasificación del tipo de parásito. YOLOv4 escalado estuvo a la cabeza con una precisión del 83%, seguido por YOLOv5 con una precisión del 78.5%. Los modelos propuestos pueden ser útiles para los profesionales médicos en el diagnóstico preciso de la malaria y la predicción de su estadio.