Las proyecciones precisas de la producción agrícola estacional son esenciales para mejorar la seguridad alimentaria. Sin embargo, la recopilación de información agrícola a través de encuestas agrícolas estacionales a menudo no es lo suficientemente oportuna como para informar a las partes interesadas públicas y privadas sobre el estado de los cultivos durante la temporada de crecimiento. Obtener estimaciones de cultivos oportunas y precisas puede ser particularmente desafiante en países con predominancia de pequeñas explotaciones agrícolas debido al gran número de pequeñas parcelas, la intensa intersiembra y la alta diversidad de tipos de cultivos. En este estudio, utilizamos imágenes RGB recopiladas de vehículos aéreos no tripulados (VANT) volados en Ruanda para desarrollar un algoritmo de aprendizaje profundo para identificar tipos de cultivos, específicamente plátanos, maíz y legumbres, que son cultivos alimentarios estratégicos clave en la agricultura ruandesa. El modelo aprovecha los avances en redes neuronales convolucionales profundas y el aprendizaje por transferencia, empleando la arquitectura VGG16 y el conjunto de datos de ImageNet de acceso público para el preentrenamiento. El modelo desarrollado tiene un rendimiento con un F1 del conjunto de prueba general de 0.86, con clases individuales que varían de 0.49 (legumbres) a 0.96 (plátanos). Nuestros hallazgos sugieren que, aunque ciertos cultivos básicos como los plátanos y el maíz pueden clasificarse a esta escala con alta precisión, los cultivos involucrados en la intersiembra (legumbres) pueden ser difíciles de identificar de manera consistente. Discutimos los posibles casos de uso para el modelo desarrollado y recomendamos direcciones para futuras investigaciones en esta área.