La precisión de la clasificación y localización de plantas en imágenes obtenidas desde la plataforma de un vehículo aéreo no tripulado (VANT) es de gran importancia al implementar tecnologías de agricultura de precisión. Permite la aplicación efectiva de tecnologías de tasa variable, que no solo ahorran productos químicos, sino que también reducen la carga ambiental en los campos cultivados. Los algoritmos de aprendizaje automático se utilizan ampliamente para la clasificación de plantas. Se lleva a cabo una investigación sobre la aplicación del algoritmo YOLO para la identificación, localización y clasificación simultánea de plantas. Sin embargo, la calidad del algoritmo depende significativamente del conjunto de entrenamiento. El objetivo de este estudio no solo es la detección de una planta cultivada (soja), sino también de las malas hierbas que crecen en el campo. El conjunto de datos desarrollado durante la investigación permite abordar este problema al detectar no solo soja, sino también siete especies de malas hierbas comunes en los campos de Kazajistán. El artículo describe un enfoque para la preparación de un conjunto de entrenamiento de imágenes para campos de soja utilizando umbralización preliminar y segmentación de cajas delimitadoras (Bbox) de imágenes marcadas, lo que permite mejorar la calidad de la clasificación y localización de plantas. La investigación y los experimentos computacionales realizados determinaron que la segmentación Bbox muestra los mejores resultados. La calidad de la clasificación y localización con la aplicación de la segmentación Bbox aumentó significativamente (el puntaje f1 aumentó de 0.64 a 0.959, mAP50 de 0.72 a 0.979); para una planta cultivada (soja), se lograron los mejores resultados de clasificación conocidos hasta la fecha con la aplicación de YOLOv8x en imágenes obtenidas del VANT, con un puntaje f1 = 0.984. Al mismo tiempo, la tasa de detección de plantas aumentó 13 veces en comparación con el modelo propuesto anteriormente en la literatura.