El hongo verticilosis se ha convertido en una amenaza generalizada para los campos de olivos en todo el mundo en los últimos años. La detección precisa y temprana de la enfermedad a gran escala podría ayudar a resolver el problema. En este documento, utilizamos el modelo YOLO versión 5 para detectar el hongo verticilosis en los olivos utilizando imágenes RGB aéreas capturadas por vehículos aéreos no tripulados. El objetivo de nuestro documento es comparar diferentes arquitecturas del modelo y evaluar su rendimiento en esta tarea. Las arquitecturas se evalúan en dos tamaños de entrada diferentes a través de las métricas más utilizadas para tareas de detección y clasificación de objetos (precisión, recuperación, mAP@0.5 y mAP@0.5:0.95). Nuestros resultados muestran que el algoritmo YOLOv5 es capaz de ofrecer buenos resultados en la detección de olivos y la predicción de su estado, con las diferentes arquitecturas teniendo fortalezas y debilidades diferentes.