La mastitis es una de las enfermedades más predominantes con un impacto negativo en los productos ganaderos a nivel mundial. Reduce la producción de leche, daña la calidad de la leche, aumenta los costos de tratamiento e incluso conduce a la eliminación prematura de animales. Además, la falta de medidas efectivas a tiempo llevará a una propagación generalizada de la enfermedad. La clave para reducir las pérdidas causadas por la mastitis radica en la detección temprana de la enfermedad. La aplicación de aprendizaje profundo con una poderosa capacidad de extracción de características en el campo médico está recibiendo cada vez más atención. El objetivo principal de este estudio fue establecer una red de aprendizaje profundo para la detección de mastitis a nivel de cuartos de búfalos basada en 3054 imágenes de ultrasonido de ubres de 271 búfalos. Se generaron dos conjuntos de datos con umbrales de recuento de células somáticas (SCC) establecidos en 2 x 10 células/mL y 4 x 10 células/mL, respectivamente. Las ubres con SCC inferiores al valor umbral se definieron como ubres sanas, y de lo contrario como ubres afectadas por mastitis. Un total de 3054 imágenes de ultrasonido de ubres se dividieron aleatoriamente en un conjunto de entrenamiento (70%), un conjunto de validación (15%) y un conjunto de prueba (15%). Utilizamos el modelo EfficientNet_b3 con poderosas capacidades de aprendizaje en combinación con el módulo de atención de bloque convolucional (CBAM) para entrenar el modelo de detección de mastitis. Para resolver el problema del desequilibrio en las categorías de muestras, se utilizó el módulo PolyLoss como función de pérdida. El conjunto de entrenamiento y el conjunto de validación se utilizaron para desarrollar el modelo de detección de mastitis, y el conjunto de prueba se utilizó para evaluar el rendimiento de la red. Los resultados mostraron que, cuando el umbral de SCC era de 2 x 10 células/mL, nuestra red establecida exhibió una precisión del 70.02%, una especificidad del 77.93%, una sensibilidad del 63.11% y un área bajo la curva de características operativas del receptor (AUC) de 0.77 en el conjunto de prueba. El efecto de clasificación del modelo fue mejor cuando el umbral de SCC era de 4 x 10 células/mL que cuando el umbral de SCC era de 2 x 10 células/mL. Por lo tanto, cuando SCC >= 4 x 10 células/mL se definió como mastitis, nuestra red neuronal profunda establecida se determinó como el modelo más adecuado para la detección de mastitis en el lugar de la granja, y este modelo de red exhibió una precisión del 75.93%, una especificidad del 80.23%, una sensibilidad del 70.35% y un AUC de 0.83 en el conjunto de prueba. Este estudio estableció un modelo de detección de mastitis a nivel 1/4 que proporciona una base teórica para la detección de mastitis en búfalos, principalmente criados por pequeños agricultores que carecen de condiciones de diagnóstico de mastitis en países en desarrollo.