El objetivo de este estudio fue identificar el ganado a través de un modelo de aprendizaje profundo utilizando imágenes de hocicos. Se utilizaron un total de 9230 imágenes de 336 individuos. Se tomaron imágenes de los mismos individuos en cuatro momentos diferentes para evitar modelos sobreajustados. Las imágenes de los hocicos fueron recortadas por un modelo basado en YOLO v8 entrenado con 150 imágenes con anotación manual. Los bloques de datos estaban compuestos por imágenes y números de trazabilidad nacional del ganado, y fueron seleccionados y almacenados aleatoriamente como datos de entrenamiento y validación. Se realizó un aprendizaje por transferencia con las versiones pequeña, mediana y grande de los modelos Efficientnet v2 con optimizadores SGD, RMSProp, Adam y Lion. La versión pequeña utilizando Lion mostró la mejor precisión de validación de 0.981 en 36 épocas dentro de 12 modelos aprendidos por transferencia. Los cinco mejores modelos lograron la mejor precisión de validación y fueron evaluados con los datos de entrenamiento para su uso práctico. La versión pequeña utilizando Adam mostró la mejor precisión de prueba de 0.970, pero la versión pequeña utilizando RMSProp mostró el menor error repetido. Los resultados con alta precisión de predicción en este estudio demostraron el potencial de los patrones de hocicos como una clave de identificación para el ganado individual.