Las enfermedades de las plantas afectan la disponibilidad y seguridad de las plantas para el consumo humano y animal y amenazan la seguridad alimentaria, reduciendo así la disponibilidad y acceso a los alimentos, así como disminuyendo el rendimiento y la calidad de los cultivos. Existe la necesidad de métodos novedosos de detección de enfermedades que puedan ser utilizados para reducir las pérdidas de plantas debido a enfermedades. Por lo tanto, este estudio tiene como objetivo diagnosticar enfermedades en hojas de tomate clasificando imágenes de hojas de tomate sanas y enfermas utilizando dos redes neuronales convolucionales pre-entrenadas (CNNs): Inception V3 e Inception ResNet V2. Los dos modelos fueron entrenados utilizando una base de datos de código abierto (PlantVillage) e imágenes grabadas en campo con un total de 5225 imágenes. Los modelos fueron investigados con tasas de abandono del 5%, 10%, 15%, 20%, 25%, 30%, 40% y 50%. Los resultados más importantes mostraron que el modelo Inception V3 con una tasa de abandono del 50% y el modelo Inception ResNet V2 con una tasa de abandono del 15%, ya que dieron el mejor rendimiento con una precisión del 99.22% y una pérdida del 0.03. La alta tasa de rendimiento muestra la posibilidad de utilizar modelos CNN para diagnosticar enfermedades del tomate en condiciones de campo y laboratorio. También es un enfoque que puede expandirse para apoyar un sistema integrado para diagnosticar diversas enfermedades de plantas.