La clasificación precisa de la desviación de residuos de vertederos juega un papel crítico en las prácticas de gestión de residuos eficientes. Los enfoques tradicionales, como la inspección visual, el pesaje y la medición de volumen, y la clasificación manual, se han utilizado ampliamente pero sufren de subjetividad, escalabilidad y requisitos laborales. En contraste, los enfoques de aprendizaje automático, particularmente las Redes Neuronales Convolucionales (CNN), han surgido como modelos de aprendizaje profundo poderosos para la detección y clasificación de residuos. Este documento analiza los modelos VGG-16, InceptionResNetV2, DenseNet121, Inception V3 y MobileNetV2 para clasificar residuos de la vida real cuando se entrenan con materiales prístinos y no adulterados, en comparación con muestras recolectadas en un vertedero. Al entrenar en DiversionNet, el conjunto de datos de material no adulterado con etiquetas requeridas para la modelización de vertederos, la precisión de clasificación se limitó al 49.69% en el entorno real. El uso de muestras del mundo real en el nuevo conjunto de datos RealWaste mostró que las aplicaciones prácticas para el aprendizaje profundo en la clasificación de residuos son posibles, con Inception V3 alcanzando una precisión de clasificación del 89.19% en el espectro completo de etiquetas requeridas para una modelización precisa.