Este estudio destaca la importancia de monitorear el comportamiento de alimentación del ganado utilizando el algoritmo YOLO para la detección de objetos. Se grabaron videos de seis toros Charolais en una granja francesa, y se identificaron y etiquetaron tres comportamientos de alimentación (morder, masticar, visitar) utilizando Roboflow. Se compararon YOLOv8 y YOLOv10 por su rendimiento en la detección de estos comportamientos. YOLOv10 superó a YOLOv8 con una precisión, recuperación, mAP50 y mAP50-95 ligeramente superiores. Aunque ambos algoritmos demostraron una precisión general similar (alrededor del 90%), YOLOv8 alcanzó un entrenamiento óptimo más rápido y mostró menos sobreajuste. Las matrices de confusión indicaron patrones similares de errores de predicción para ambas versiones, pero YOLOv10 mostró mejor consistencia. Este estudio concluye que, aunque tanto YOLOv8 como YOLOv10 son efectivos en la detección de comportamientos de alimentación del ganado, YOLOv10 exhibió un rendimiento promedio superior, una tasa de aprendizaje y velocidad, lo que lo hace más adecuado para aplicaciones prácticas en el campo.