Los recientes desarrollos tecnológicos en el sector primario y los algoritmos de aprendizaje automático permiten la aplicación combinada de muchas soluciones prometedoras en la agricultura de precisión. Por ejemplo, YOLOv5 (You Only Look Once) y la arquitectura de aprendizaje profundo ResNet proporcionan identificaciones de objetos en tiempo real con alta precisión. La llegada de conjuntos de datos desde diferentes perspectivas ofrece múltiples beneficios, como una vista esférica de los objetos, mayor información y resultados de inferencia de múltiples detecciones de objetos por imagen. Sin embargo, también plantea obstáculos cruciales, como las identificaciones totales (verdades fundamentales) y preocupaciones de procesamiento que pueden llevar a consecuencias devastadoras, incluyendo detecciones falsas positivas con otras conclusiones erróneas o incluso la incapacidad de extraer resultados. Este artículo presenta resultados experimentales del algoritmo de aprendizaje automático (Yolov5) en un nuevo conjunto de datos basado en cultivos frutales perennes, como las cerezas dulces, con el objetivo de mejorar la resiliencia de la agricultura de precisión. La detección se orienta en dos puntos de interés: (a) Hojas infectadas y (b) Ramas infectadas. Es importante destacar que las hojas o ramas infectadas indican estrés, que puede deberse a un estrés/enfermedad (por ejemplo, Armillaria en los árboles de cerezas dulces, etc.) u otros factores (por ejemplo, escasez de agua, etc.). Correspondientemente, el follaje de un árbol muestra síntomas, mientras que esto indica las etapas de la enfermedad.