La gestión agrícola efectiva en las operaciones de producción de maíz comienza con la cuantificación temprana de plántulas. Determinar con precisión la presencia de plantas permite a los cultivadores optimizar la densidad de siembra, asignar recursos y detectar problemas de crecimiento potenciales desde el principio. Este estudio proporciona un análisis exhaustivo del rendimiento de varios modelos de detección de objetos en la producción de maíz, con un enfoque en los efectos de la densidad de siembra, las etapas de crecimiento y las altitudes de vuelo. Los hallazgos de este estudio demuestran que los modelos de una etapa, particularmente YOLOv8n y YOLOv5n, mostraron un rendimiento superior con puntuaciones AP50 de 0.976 y 0.951, respectivamente, superando a los modelos de dos etapas en términos de eficiencia de recursos y precisión en la cuantificación de plántulas. YOLOv8n, junto con Deformable DETR, Faster R-CNN y YOLOv3-tiny, fueron identificados para un examen más detallado basado en sus métricas de rendimiento y características arquitectónicas. El estudio también destaca el impacto significativo de la densidad de plantas y la etapa de crecimiento en la precisión de detección. Una mayor densidad de siembra y etapas de crecimiento avanzadas (particularmente V6) se asociaron con una disminución de la precisión del modelo debido al aumento de la superposición de hojas y la complejidad de la imagen. Las etapas de crecimiento V2-V3 se identificaron como los períodos óptimos para la detección. Además, la altitud de vuelo afectó negativamente la resolución de la imagen y la precisión de detección, con altitudes más altas que conducen a un rendimiento inferior. En aplicaciones de campo, YOLOv8n demostró ser altamente efectivo, manteniendo un rendimiento robusto en diferentes entornos agrícolas y logrando consistentemente rRMSEs por debajo del 1.64% en campos de alto rendimiento. El modelo también demostró alta fiabilidad, con puntuaciones de Recall, Precision y F1 que superaron el 99.00%, afirmando su idoneidad para el uso agrícola práctico. Estos hallazgos sugieren que los sistemas de recolección de imágenes basados en UAV que emplean modelos como YOLOv8n pueden mejorar significativamente la precisión y eficiencia de la detección de plántulas en la producción de maíz. La investigación aclara los factores críticos que impactan la precisión de los modelos de detección de aprendizaje profundo en el contexto de la detección de plántulas de maíz y selecciona un modelo adecuado para esta tarea específica en la producción agrícola práctica. Estos hallazgos ofrecen valiosas ideas sobre la aplicación de la tecnología de detección de objetos y sientan las bases para el desarrollo futuro de la agricultura de precisión, particularmente en la optimización de modelos de aprendizaje profundo para diversas condiciones ambientales que afectan la detección de plántulas de maíz.