La producción de mangos es fundamental para la economía agrícola, generando ingresos y empleo en diversas comunidades. La estimación precisa de su producción optimiza la planificación y logística de la cosecha; tradicionalmente, los métodos manuales son ineficientes y propensos a errores. Actualmente, el aprendizaje automático, al manejar grandes volúmenes de datos, surge como una solución innovadora para mejorar la precisión de la estimación de la producción de mangos. Este estudio presenta un análisis de la detección de frutas de mango utilizando algoritmos de aprendizaje automático, específicamente YOLO versión 8 y Faster R-CNN. El presente estudio emplea un conjunto de datos que consiste en 212 imágenes originales, anotadas con un total de 9604 etiquetas, que se ha ampliado para incluir 2449 imágenes adicionales y 116,654 anotaciones. Este aumento significativo en el tamaño del conjunto de datos mejora notablemente la robustez y la capacidad de generalización del modelo. El modelo entrenado con YOLO logra una precisión del 96.72%, una recuperación del 77.4% y un puntaje F1 del 86%, en comparación con los resultados de Faster R-CNN, que son 98.57%, 63.80% y 77.46%, respectivamente. YOLO demuestra una mayor eficiencia, siendo más rápido en el entrenamiento, consumiendo menos memoria y utilizando menos recursos de CPU. Además, este estudio ha desarrollado una aplicación web con una interfaz de usuario que facilita la carga de imágenes de árboles de mango considerados muestras. El modelo entrenado con YOLO detecta los frutos de cada árbol en la muestra representativa y utiliza técnicas de extrapolación para estimar el número total de frutos en toda la población de árboles de mango.