La movilidad es un indicador de bienestar vital que puede influir en las actividades diarias de los pollos de engorde. Los métodos clásicos de evaluación de la movilidad de los pollos de engorde son laboriosos y no pueden proporcionar información oportuna sobre sus condiciones. Aquí, proponemos un modelo de Aprendizaje Profundo (DL) semi-supervisado, YOLOv5 (You Only Look Once versión 5), combinado con un algoritmo de deep sort junto con nuestro nuevo algoritmo propuesto, neo-deep sort, para el seguimiento de la movilidad individual de los pollos de engorde. Inicialmente, se utilizaron 1650 imágenes etiquetadas de cinco días para entrenar el modelo YOLOv5. A través del aprendizaje semi-supervisado (SSL), este modelo entrenado de manera restringida se utilizó luego para la pseudoetiquetación de 2160 imágenes, de las cuales 2153 fueron etiquetadas con éxito. Posteriormente, el modelo YOLOv5 fue ajustado con las nuevas imágenes etiquetadas. Finalmente, el YOLOv5 entrenado y el algoritmo neo-deep sort se aplicaron para detectar y rastrear 28 pollos de engorde en dos corrales y categorizarlos en términos de distancias y velocidades de viaje horarias y diarias. El SSL ayudó a aumentar la precisión media promedio (mAP) del modelo YOLOv5 en la detección de aves del 81% al 98%. En comparación con las distancias cubiertas medidas manualmente de los pollos de engorde, el modelo combinado proporcionó las distancias movidas por los pollos de engorde de forma individual con una precisión de validación de aproximadamente el 80%. Finalmente, se cuantificaron las movilidades a nivel individual y de grupo, superando los problemas de oclusión, detección falsa y omisiones.