Este documento presenta un conjunto de modelos pre-entrenados para la clasificación precisa de imágenes endoscópicas asociadas con enfermedades e afecciones gastrointestinales (GI). En este documento, proponemos un modelo de conjunto de promedio ponderado llamado GIT-NET para clasificar enfermedades del tracto GI. Evaluamos el modelo en un conjunto de datos KVASIR v2 con ocho clases. Cuando se utilizan modelos individuales para la clasificación, a menudo son propensos a la clasificación errónea ya que es posible que no puedan aprender las características de todas las clases de manera adecuada. Esto se debe a que cada modelo puede aprender las características de clases específicas de manera más eficiente que las otras clases. Proponemos un modelo de conjunto que aprovecha las predicciones de tres modelos pre-entrenados, DenseNet201, InceptionV3 y ResNet50 con precisión del 94.54%, 88.38% y 90.58%, respectivamente. Las predicciones de los modelos base se combinan utilizando dos métodos: promedio de modelos y promedio ponderado. El rendimiento de los modelos se evalúa, y el conjunto de promedio de modelos tiene una precisión del 92.96%, mientras que el conjunto de promedio ponderado tiene una precisión del 95.00%. El conjunto de promedio ponderado supera al conjunto de promedio de modelos y a todos los modelos individuales. Los resultados de la evaluación demuestran que utilizando un conjunto de modelos base se pueden clasificar con éxito características que fueron aprendidas incorrectamente por modelos base individuales.