El análisis de imágenes utilizando algoritmos de aprendizaje automático (ML) podría proporcionar una medida del bienestar animal al medir comportamientos de confort y comportamientos no deseados. Utilizando una técnica de PLF basada en imágenes, el presente estudio tuvo como objetivo probar una herramienta de aprendizaje automático para medir el número de gallinas en el suelo e identificar el número de gallinas que se bañan en polvo en un aviario experimental. Además, se compararon dos modelos de YOLO (You Only Look Once). YOLOv4-tiny necesitó aproximadamente 4.26 horas para entrenar durante 6000 épocas, en comparación con aproximadamente 23.2 horas para los modelos completos de YOLOv4. En la validación, el rendimiento de los dos modelos en términos de precisión, recuperación, media armónica de precisión y recuperación, y precisión media promedio (mAP) no difería, mientras que el valor de fotogramas por segundo era más bajo en YOLOv4 en comparación con la versión pequeña (31.35 frente a 208.5). El mAP se sitúa en aproximadamente el 94% para la clasificación de gallinas en el suelo, mientras que la clasificación de gallinas que se bañan en polvo fue deficiente (28.2% en YOLOv4-tiny en comparación con 31.6% en YOLOv4). En conclusión, el ML identificó con éxito a las gallinas ponedoras en el suelo, mientras que se deben probar otras herramientas de PLF para la clasificación de gallinas que se bañan en polvo.