Contar los saltahojas manualmente es laborioso y produce resultados inconsistentes, especialmente al tratar con especies que tienen características similares, como el saltahojas marrón (BPH), saltahojas de dorso blanco (WBPH), saltahojas de hoja en zigzag (ZIGZAG) y saltahojas de hoja verde (GLH). La mayoría de los métodos de conteo automatizado disponibles están limitados a poblaciones de baja densidad y a menudo no consideran aquellas con alta densidad, que requieren soluciones más complejas debido a la superposición de objetos. Por lo tanto, esta investigación presenta una evaluación exhaustiva de un algoritmo de detección de objetos desarrollado específicamente para detectar y cuantificar con precisión los saltahojas. Utiliza conjuntos de datos anotados obtenidos de trampas de luz pegajosas, que comprenden 1654 imágenes de cuatro clases distintas de saltahojas y una clase de insectos benignos. Los conjuntos de datos fueron sometidos a aumento de datos y utilizados para entrenar cuatro modelos de detección de objetos convolucionales basados en aprendizaje por transferencia. Los resultados indicaron que Faster R-CNN VGG 16 superó a otros modelos, logrando un puntaje de precisión promedio (mAP) del 97,69% y exhibiendo una precisión excepcional en la clasificación de todas las categorías de saltahojas. La corrección del modelo fue verificada por entomólogos, quienes confirmaron una tasa de precisión en la clasificación y el conteo del 98,84%. Sin embargo, el modelo falla al reconocer ciertas muestras debido a la alta densidad de la población y la superposición significativa entre ellas. Esta investigación resolvió efectivamente el problema de las muestras de baja a mediana densidad al lograr una detección y conteo muy precisos y rápidos.