La batata es un alimento esencial y un cultivo económico que a menudo se ve amenazado por la devastadora enfermedad del virus de la batata (SPVD), especialmente en países en desarrollo. Los métodos tradicionales de detección directa en laboratorio y la exploración de campo se utilizan comúnmente para detectar rápidamente SPVD. Sin embargo, estos métodos moleculares son costosos y disruptivos, mientras que la exploración de campo es subjetiva, intensiva en mano de obra y consume mucho tiempo. En este estudio, proponemos un marco de detección de objetos basado en aprendizaje profundo para evaluar la viabilidad de detectar SPVD a partir de imágenes de alta resolución terrestres y aéreas. Propusimos un detector de objetos novedoso llamado SPVDet, así como una versión ligera llamada SPVDet-Nano, utilizando una característica de un solo nivel. Estos detectores fueron prototipados en base a un conjunto de datos de referencia de pequeña escala disponible públicamente (PASCAL VOC 2012) y se compararon con detectores de objetos de pirámide de características convencionales utilizando un conjunto de datos de referencia de gran escala disponible públicamente (MS COCO 2017). Los pesos del modelo aprendidos de este conjunto de datos se transfirieron luego para ajustar finamente los detectores y analizar directamente nuestro conjunto de datos SPVD autónomo que abarca una categoría y 1074 objetos, incorporando la tecnología de inferencia hiper asistida por corte (SAHI). Los resultados mostraron que SPVDet superó tanto a sus contrapartes de un solo nivel como a varios detectores de objetos de pirámide de características convencionales. Además, la introducción de técnicas SAHI mejoró significativamente la precisión de detección de SPVDet en un 14% en términos de precisión media promedio (mAP) en imágenes terrestres y aéreas, y produjo la mejor precisión de detección del 78.1% desde perspectivas cercanas. Estos hallazgos demuestran la viabilidad de detectar SPVD a partir de imágenes de alta resolución terrestres y de vehículos aéreos no tripulados (UAV) utilizando el detector de objetos SPVDet basado en aprendizaje profundo propuesto aquí. También tienen grandes implicaciones para aplicaciones más amplias en la fenotipificación de alto rendimiento de batatas bajo tensiones bióticas, lo que podría acelerar el proceso de selección para la resistencia genética contra SPVD en la cría de plantas y proporcionar un apoyo de decisiones oportuno para la gestión de la producción.