Las aplicaciones de robots móviles en exteriores generalmente implementan Sistemas de Posicionamiento Global (GPS) para tareas de localización. Sin embargo, la precisión del GPS en la localización al aire libre es menor en diferentes condiciones ambientales. Este artículo presenta dos métodos de localización al aire libre basados en aprendizaje profundo y detección de hitos. El primer método de localización se basa en la detección de hitos mediante la Red Neuronal Convolucional Regional Más Rápida (Faster R-CNN) en la imagen capturada. Luego, se entrena una red neuronal de avance (FFNN) para determinar las coordenadas de ubicación del robot y la orientación de la brújula a partir de los hitos detectados. El segundo método de localización emplea una única red neuronal convolucional (CNN) para determinar la ubicación y la orientación de la brújula a partir de toda la imagen. El conjunto de datos consiste en imágenes, datos de geolocalización y cuadros delimitadores etiquetados para entrenar y probar los dos métodos de localización propuestos. Los resultados se ilustran con errores absolutos de las comparaciones entre los resultados de localización y los datos de geolocalización de referencia en el conjunto de datos. Los resultados experimentales señalaron que ambos métodos de localización presentados son alternativas prometedoras al GPS para la localización al aire libre.