El rápido crecimiento de la población mundial requiere un aumento del 70% en la producción agrícola, lo que plantea desafíos exacerbados por la infestación de malezas y las limitaciones de los herbicidas. Para abordar esto, se emplean modelos de aprendizaje automático (ML), en particular las redes neuronales convolucionales (CNNs), en la agricultura de precisión (PA) para la detección de malezas. Este estudio se centra en probar arquitecturas de CNN para tareas de clasificación de imágenes utilizando el marco de PyTorch, enfatizando la optimización de hiperparámetros. Se llevaron a cabo cuatro grupos de experimentos: el primero entrenó todas las arquitecturas de PyTorch, seguido por la creación de una línea base, la evaluación de un conjunto de datos nuevo y extendido en los mejores modelos, y finalmente, la fase de prueba se realizó utilizando una aplicación web desarrollada para este propósito. De las 80 subarquitecturas de CNN probadas, los modelos MaxVit, ShuffleNet y EfficientNet destacan, logrando una precisión máxima del 96,0%, 99,3% y 99,3%, respectivamente, para la primera fase de prueba de arquitecturas de clasificación de PyTorch. Además, EfficientNet_B1 y EfficientNet_B5 se destacaron en comparación con todos los demás modelos. Durante el experimento 3, con un nuevo conjunto de datos, ambos modelos lograron una alta precisión del 95,13% y 94,83%, respectivamente. Además, en el experimento 4, tanto EfficientNet_B1 como EfficientNet_B5 lograron una precisión máxima del 96,15%, la más alta. Los modelos de ML pueden ayudar a automatizar la detección de problemas de cultivos, promover la agricultura orgánica, optimizar el uso de recursos, ayudar a la agricultura de precisión, reducir el desperdicio, aumentar la eficiencia y contribuir a un futuro agrícola más verde y sostenible.