Este documento explora el potencial de los algoritmos de aprendizaje automático para la clasificación de malas hierbas y cultivos a partir de imágenes de UAV. La identificación de malas hierbas en cultivos es una tarea desafiante que se ha abordado mediante la ortomosaico de imágenes, extracción de características y etiquetado de imágenes para entrenar algoritmos de aprendizaje automático. En este documento, se analizan las actuaciones de varios algoritmos de aprendizaje automático, bosque aleatorio (RF), máquina de vectores de soporte (SVM) y vecinos más cercanos (KNN), para detectar malas hierbas utilizando imágenes de UAV recopiladas de un campo de cultivo de chiles ubicado en Australia. Las métricas de evaluación utilizadas en la comparación de rendimiento fueron precisión, precisión, recuperación, tasa de falsos positivos y coeficiente kappa. MATLAB se utiliza para simular los algoritmos de aprendizaje automático; y las precisiones de detección de malas hierbas logradas son del 96% utilizando RF, utilizando SVM y utilizando KNN. Según este estudio, los algoritmos de RF y SVM son eficientes y prácticos de usar, y se pueden implementar fácilmente para detectar malas hierbas a partir de imágenes de UAV.