Como los tomates son la hortaliza más consumida en el mundo, la producción debería aumentarse para satisfacer la gran demanda de esta hortaliza. El calentamiento global, los cambios climáticos y otros factores significativos, incluidas las plagas, afectan gravemente a las plantas de tomate y provocan diversas enfermedades que afectan en última instancia la producción de esta hortaliza. Se han adoptado varias estrategias y técnicas para detectar y prevenir dichas enfermedades y garantizar la supervivencia de las plantas de tomate. Recientemente, la aplicación de la inteligencia artificial (IA) ha contribuido significativamente a la agronomía en la detección de enfermedades de las plantas de tomate a través de imágenes de hojas. Las técnicas basadas en el aprendizaje profundo (DL) se han utilizado ampliamente para detectar enfermedades de las hojas de tomate. Este documento propone un enfoque híbrido basado en DL para detectar enfermedades de las plantas de tomate a través de imágenes de hojas. Para llevar a cabo la tarea, este estudio presenta la fusión de dos modelos preentrenados, a saber, EfficientNetB3 y MobileNet (denominado modelo EffiMob-Net) para detectar con precisión las enfermedades de las hojas de tomate. Además, el sobreajuste del modelo se abordó utilizando varias técnicas, como la regularización, la eliminación y la normalización por lotes (BN). Se realizó una sintonización de hiperparámetros para elegir los parámetros óptimos para construir el modelo más adecuado. El modelo híbrido propuesto EffiMob-Net se probó en un conjunto de datos de un pueblo de plantas que contenía imágenes de enfermedades y hojas de tomate sanas. Este modelo híbrido fue evaluado en función del mejor clasificador con respecto a las métricas de precisión seleccionadas para detectar las enfermedades. La tasa de éxito del modelo híbrido propuesto para detectar con precisión las enfermedades de las hojas de tomate alcanzó el 99.92%, lo que demuestra la capacidad del modelo para extraer características con precisión. Este hallazgo muestra la fiabilidad del modelo híbrido propuesto como un detector automático de enfermedades de las plantas de tomate que puede contribuir significativamente a proporcionar mejores soluciones para detectar otras enfermedades de los cultivos en el campo de la agricultura.