El rendimiento de un método de visión artificial de múltiples vistas se documentó a nivel de huerto, en relación con el recuento de la empacadora. Se logró una alta repetibilidad en la captura de imágenes nocturnas, con un error porcentual absoluto del 2% o menos. La arquitectura del dosel afectó el rendimiento, con estimaciones razonables logradas en setos, líderes únicos y sistemas convencionales (3.4, 5.0 y 8.2 de error porcentual promedio, respectivamente), mientras que la carga de fruta de huertos enrejados fue sobreestimada (con un error porcentual promedio del 25.2). Se hicieron estimaciones de rendimiento para varios huertos a través de: (i) conteo humano de la carga de fruta en ~5% de los árboles (FARM), (ii) conteo humano de 18 árboles seleccionados al azar dentro de tres estratificaciones de NDVI (CAL), (iii) conteos de múltiples vistas (MV-Raw) y (iv) corrección de conteos de fruta oculta utilizando conteos manuales de árboles CAL (MV-CAL). En los nueve huertos para los cuales se disponía de resultados de todos los métodos, los métodos FARM, CAL, MV-Raw y MV-CAL lograron un error porcentual promedio en los recuentos de la empacadora del 26, 13, 11 y 17%, con una desviación estándar del 11, 8, 11 y 9%, respectivamente, en la temporada 2019-2020. El error porcentual absoluto de las estimaciones MV-Raw fue del 10% o menos en 15 de los 20 huertos evaluados. Se produjo un mayor error en la estimación de carga en la temporada 2020-2021 debido a la dispersión en el tiempo de la floración. Se exploraron casos de uso para los datos a nivel de árbol sobre la carga de fruta en el contexto de mapas de densidad de carga de fruta para informar sobre la cosecha temprana y para interpretar el daño del cultivo, y distribuciones de frecuencia de árboles basadas en la carga de fruta por árbol.