Este estudio explora el impacto del aprendizaje por transferencia en la mejora de modelos de aprendizaje profundo para detectar defectos en componentes de motores aéreos. Nos centramos en métricas como precisión, exactitud, recuperación y pérdida para comparar el rendimiento de los modelos VGG19 y DeiT (transformador de imagen eficiente en datos). Se utilizó RandomSearchCV para la optimización de hiperparámetros, y congelamos selectivamente algunas capas durante el entrenamiento para ayudar a adaptar mejor los modelos a nuestro conjunto de datos. Concluimos que la diferencia en el rendimiento en todas las métricas se puede atribuir a la adopción de la arquitectura basada en transformadores por parte del modelo DeiT, ya que lo hace bien al capturar patrones complejos en los datos. Esta investigación demuestra que los modelos de transformadores tienen un gran potencial para mejorar la precisión y eficiencia de la detección de defectos en la industria aeroespacial, lo que, a su vez, contribuirá a actividades de aviación más limpias y sostenibles.