El maíz es uno de los cultivos más cultivados en Etiopía y es un cultivo básico en todo el mundo; sin embargo, la enfermedad del maíz por roya común (CRMD) se está convirtiendo en un problema serio y afecta gravemente los rendimientos. Los métodos convencionales de detección y tratamiento de CRMD son lentos, costosos e ineficaces. Para abordar estos desafíos, proponemos un modelo de aprendizaje profundo en tiempo real que proporciona detección de enfermedades y recomendaciones de dosis de pesticidas. En el proceso de desarrollo del modelo, recopilamos 5000 imágenes de hojas de maíz experimentalmente, con permiso de la Universidad de Haramaya, y aumentamos el tamaño del conjunto de datos a 8000 mediante aumento. Aplicamos técnicas de preprocesamiento de imágenes como ecualización de imágenes, eliminación de ruido y mejora para mejorar el rendimiento del modelo. Además, durante el entrenamiento, utilizamos normalización por lotes, abandono y detención temprana para reducir el sobreajuste, mejorar la precisión y mejorar el tiempo de ejecución. El modelo óptimo reconoce CRMD y lo clasifica según niveles de gravedad establecidos científicamente. Para las recomendaciones de pesticidas, el modelo se integró con la interfaz de Gradio, que proporciona recomendaciones en tiempo real basadas en el tipo y la gravedad de la enfermedad detectada. Utilizamos una red neuronal convolucional (CNN), específicamente el modelo ResNet50, para este propósito. Para evaluar su rendimiento, ResNet50 se comparó con otros algoritmos de vanguardia, incluidos VGG19, VGG16 y AlexNet, utilizando parámetros similares. ResNet50 superó a los otros modelos de CNN en términos de precisión, exactitud, recuperación y puntuación F, logrando más del 97% de precisión en la clasificación de CRMD, superando a los otros algoritmos en más del 2.5% en conjuntos de datos experimentales y existentes. Los expertos agrícolas verificaron la precisión del sistema de recomendaciones en diferentes etapas de la enfermedad, y el sistema demostró una precisión del 100%. Además, ResNet50 mostró una menor complejidad temporal durante el desarrollo del modelo. Este estudio demuestra el potencial de los modelos ResNet50 para mejorar la gestión de enfermedades del maíz.