El crecimiento y desarrollo de los órganos generativos de la planta de tomate son esenciales para la estimación del rendimiento y una mayor productividad. Dado que los métodos de conteo manual que consumen tiempo son inexactos y costosos en un entorno desafiante, que incluye obstrucciones de hojas y ramas y conteos duplicados de tomates, se requiere un método rápido y automatizado. Esta investigación introduce un sistema de dron basado en visión por computadora e IA para detectar y contar flores y frutos de tomate, lo cual es un paso crucial para el desarrollo de la cosecha automatizada, que mejora la eficiencia temporal para los agricultores y disminuye la mano de obra requerida. El método propuesto utiliza imágenes de dron del conjunto de datos de tomates de invernadero que contiene tres clases (tomate rojo, tomate verde y flor) para entrenar y probar el modelo de conteo a través de los algoritmos de aprendizaje profundo de vanguardia YOLO V5 y Deep Sort. El mejor modelo para todas las clases se obtiene en la época 96 con una precisión de 0.618 en mAP 0.5. Los valores de precisión y recall se determinan como 1 y 0.85 en los niveles de confianza de 0.923 y 0, respectivamente. Los puntajes F1 de las clases de tomate rojo, tomate verde y flor se determinan como 0.74, 0.56 y 0.61, respectivamente. El puntaje F1 promedio para todas las clases también se obtiene como 0.63. A través del modelo de detección y conteo obtenido, los frutos y flores de tomate se cuentan sistemáticamente desde el entorno del invernadero. Los resultados de conteo manual y de IA-Drone muestran que los tomates rojos, tomates verdes y flores tienen una precisión del 85%, 99% y 50%, respectivamente.