La detección de objetos es una tarea que realiza la identificación de la posición y la clasificación de etiquetas de objetos en imágenes o vídeos. La información obtenida a través de este proceso juega un papel esencial en varias tareas en el campo de la visión por computadora. En la detección de objetos, los datos utilizados para el entrenamiento y validación generalmente provienen de conjuntos de datos públicos que están bien equilibrados en términos del número de objetos asignados a cada clase en una imagen. Sin embargo, en escenarios del mundo real, es mucho más común manejar conjuntos de datos con una gran desigualdad de clases, es decir, números muy diferentes de objetos para cada clase, y esta desigualdad puede reducir el rendimiento de la detección de objetos al predecir imágenes de prueba no vistas. En nuestro estudio, por lo tanto, proponemos un método que distribuye uniformemente las clases en una imagen para el entrenamiento y validación, resolviendo el problema de desequilibrio de clases en la detección de objetos. Nuestro método propuesto tiene como objetivo mantener una distribución de clases uniforme a través de la estratificación multi-etiqueta. Probamos nuestro método propuesto no solo en conjuntos de datos públicos que típicamente muestran una distribución de clases equilibrada, sino también en conjuntos de datos privados que pueden tener una distribución de clases desequilibrada. Descubrimos que nuestro método propuesto fue más efectivo en conjuntos de datos que contienen un desequilibrio severo y menos datos. Nuestros hallazgos indican que el método propuesto puede ser utilizado de manera efectiva en conjuntos de datos con una distribución de clases sustancialmente desequilibrada.