La identificación de objetos, como la detección de troncos de árboles, es fundamental para la robótica forestal. Los sistemas de visión inteligente son de suma importancia para mejorar la percepción robótica, lo que a su vez aumenta la autonomía de los robots forestales. Con ese propósito, este documento presenta tres contribuciones: un conjunto de datos abierto de 5325 imágenes forestales anotadas; un benchmark de detección de troncos de árboles con Edge AI entre 13 modelos de aprendizaje profundo evaluados en cuatro dispositivos de borde (CPU, TPU, GPU y VPU); y un experimento de mapeo de troncos de árboles utilizando un OAK-D como dispositivo de detección. Los resultados mostraron que YOLOR fue el detector de troncos más confiable, logrando una puntuación F1 máxima de alrededor del 90% mientras mantenía altas puntuaciones para diferentes niveles de confianza; en términos de tiempo de inferencia, YOLOv4 Tiny fue el modelo más rápido, alcanzando 1.93 ms en la GPU. YOLOv7 Tiny presentó el mejor equilibrio entre precisión de detección y velocidad, con tiempos de inferencia promedio por debajo de 4 ms en la GPU considerando diferentes resoluciones de entrada y al mismo tiempo logrando una puntuación F1 similar a YOLOR. Este trabajo permitirá el desarrollo de sistemas avanzados de visión artificial para la robótica en operaciones de monitoreo forestal.