La puntuación de condición corporal es un método simple para estimar el suministro de energía en el ganado lechero. Nuestro estudio tiene como objetivo investigar la precisión con la que el aprendizaje automático supervisado, específicamente una red neuronal convolucional profunda (CNN), puede utilizarse para recuperar las clases de puntuación de condición corporal (BCS) estimadas por un experto. Registramos imágenes de los traseros de los animales en tres granjas a gran escala utilizando una cámara de acción simple. Las imágenes fueron anotadas con clases y tres cajas delimitadoras de diferentes tamaños por un experto. Un modelo de CNN preentrenado fue ajustado en 12 y 3 clases de BCS. Al entrenar en 12 clases con un rango de error de 0, el valor de kappa de Cohen mostró un acuerdo mínimo entre las predicciones del modelo y la verdad de terreno. Al permitir un rango de error de 0.25, obtuvimos un acuerdo mínimo o débil. Con un rango de error de 0.5, tuvimos un acuerdo fuerte o casi perfecto. Los valores de kappa para el enfoque entrenado en tres clases muestran que podemos clasificar todos los animales en categorías de BCS con al menos un acuerdo moderado. Además, las CNN entrenadas en 3 clases de BCS mostraron una proporción notablemente mayor de acuerdo fuerte que aquellas entrenadas en 12 clases. La precisión de la predicción al entrenar con varios tamaños de región de anotación no mostró diferencias significativas. Los pesos de nuestras CNN entrenadas están disponibles de forma gratuita, apoyando trabajos similares.