La enfermedad de los cítricos transmitida por vectores, también llamada Huanglongbing, es una de las enfermedades más destructivas de los cítricos. Dado que actualmente no hay medidas disponibles para controlar directamente esta enfermedad, la gestión actual de la enfermedad integra varias medidas, como el control de vectores, el uso de árboles libres de enfermedades, la eliminación de árboles enfermos, etc. El tema más esencial en la gestión integrada es cómo se pueden detectar de manera eficiente los árboles infectados por CG. Para la detección de CG, los análisis de imágenes digitales utilizando algoritmos de aprendizaje profundo han atraído mucho interés tanto de investigadores como de cultivadores. Se construyeron modelos utilizando aprendizaje por transferencia con la arquitectura Faster R-CNN y se compararon con dos modelos de Red Neuronal Convolucional (CNN) preentrenados, VGGNet y ResNet. Su eficiencia se examinó integrando sus capacidades de extracción de características en el Módulo de Atención de Bloque de Convolución (CBAM) para crear variantes VGGNet+CBAM y ResNet+CBAM. Los modelos ResNet tuvieron el mejor rendimiento. Además, la integración de CBAM mejoró notablemente la precisión de la detección de la enfermedad CG y el rendimiento general de los modelos. Modelos eficientes con aprendizaje por transferencia utilizando Faster R-CNN se cargaron en aplicaciones web para facilitar el acceso a diagnósticos en tiempo real por parte de los agricultores a través del despliegue de imágenes en el campo. Se discute la capacidad práctica de las aplicaciones para detectar la enfermedad CG.