El alojamiento de las plantas es uno de los fenotipos más esenciales para los programas de mejoramiento de la soja. El alojamiento de la soja se evalúa convencionalmente de manera visual por los mejoradores, lo que consume tiempo y está sujeto a errores humanos. Este estudio tuvo como objetivo investigar el potencial de la imagen basada en vehículos aéreos no tripulados (UAV) y el aprendizaje automático en la evaluación de las condiciones de alojamiento de las líneas de mejoramiento de soja. Se utilizó un sistema de imagen UAV equipado con una cámara RGB (rojo-verde-azul) para recopilar datos de imágenes de 1266 parcelas de cuatro filas en un campo de mejoramiento de soja en la etapa reproductiva. Las puntuaciones de alojamiento de la soja fueron evaluadas visualmente por mejoradores experimentados, y las puntuaciones se agruparon en cuatro clases: sin alojamiento, alojamiento moderado, alto alojamiento y alojamiento severo. Las imágenes UAV se unieron para construir ortomosaicos, y las parcelas de soja se segmentaron utilizando un método de cuadrícula. Se extrajeron doce características de imagen de las imágenes recopiladas para evaluar las puntuaciones de alojamiento de cada línea de mejoramiento. Se evaluaron cuatro modelos: aumento extremo de gradiente (XGBoost), bosque aleatorio (RF), vecino más cercano (KNN) y red neuronal artificial (ANN), para clasificar las clases de alojamiento de soja. Se utilizaron cinco métodos de preprocesamiento de datos para tratar el conjunto de datos desbalanceado y mejorar la precisión de clasificación. Los resultados indican que el método de preprocesamiento SMOTE-ENN funciona consistentemente bien para los cuatro clasificadores (XGBoost, RF, KNN y ANN), logrando la mayor precisión general (OA), la menor mala clasificación, un mayor puntaje F1 y un mayor coeficiente Kappa. Esto sugiere que el Método de Sobremuestreo Sintético de Minorías Editado por el Vecino Más Cercano (SMOTE-ENN) puede ser un buen método de preprocesamiento para utilizar conjuntos de datos desbalanceados y la tarea de clasificación. Además, se obtuvo una precisión general del 96% utilizando el conjunto de datos SMOTE-ENN y el clasificador ANN. El estudio indicó que un modelo de clasificación basado en imágenes podría implementarse en un programa de mejoramiento para diferenciar el fenotipo de alojamiento de la soja y clasificar las puntuaciones de alojamiento de manera efectiva.