La clasificación de hojas de plantas implica identificar y categorizar especies de plantas en función de características de las hojas, como patrones, formas, texturas y venas. En los últimos años, se ha investigado para mejorar la precisión de la clasificación de plantas utilizando técnicas de aprendizaje automático. Esto implica entrenar modelos en grandes conjuntos de datos de imágenes de plantas y utilizarlos para identificar diferentes especies de plantas. Sin embargo, estos modelos están limitados por su dependencia de grandes cantidades de datos de entrenamiento, que pueden ser difíciles de obtener para muchas especies de plantas. Para superar este desafío, este artículo propone un modelo de conjunto Plant-CNN-ViT que combina las fortalezas de cuatro modelos preentrenados: Vision Transformer, ResNet-50, DenseNet-201 y Xception. Vision Transformer utiliza la autoatención para capturar dependencias y centrarse en características importantes de las hojas. ResNet-50 introduce conexiones residuales, ayudando en el entrenamiento eficiente y la extracción jerárquica de características. DenseNet-201 emplea conexiones densas, facilitando el flujo de información y capturando patrones intrincados de las hojas. Xception utiliza convoluciones separables, reduciendo el costo computacional mientras captura detalles finos en las imágenes de las hojas. El Plant-CNN-ViT propuesto fue evaluado en cuatro conjuntos de datos de hojas de plantas y logró una precisión notable del 100.00%, 100.00%, 100.00% y 99.83% en el conjunto de datos Flavia, el conjunto de datos Folio Leaf, el conjunto de datos Swedish Leaf y el conjunto de datos MalayaKew Leaf, respectivamente.