La retinopatía diabética (RD) es una complicación grave de la diabetes que causa daño a los vasos sanguíneos de la retina debido a los altos niveles de azúcar en la sangre. La detección temprana es crucial pero a menudo requiere tiempo significativo y experiencia por parte de los oftalmólogos. Mientras que la inteligencia artificial (IA) y el reconocimiento de imágenes prometen para la detección de RD, la calidad inconsistente de las imágenes plantea un desafío. Nuestro estudio presenta una técnica novedosa que integra la amplificación del color de píxeles y EfficientNetV2 para mejorar los atributos de la imagen de fondo de ojo, con el objetivo de abordar problemas relacionados con la calidad de la imagen y lograr un rendimiento superior en la detección de RD. Aprovechando EfficientNetV2, una arquitectura avanzada de red neuronal convolucional (CNN), logramos un 84% de precisión multiclase y un 99% de precisión binaria, superando varios otros modelos de CNN, incluidos VGG16-fc1, VGG16-fc2, NASNet, Xception, Inception ResNetV2, EfficientNet, InceptionV3, MobileNet y ResNet50. Nuestra investigación aborda el desafío crítico de la detección temprana de la RD, esencial para prevenir la pérdida de visión. Este avance tiene el potencial de mejorar la eficiencia y precisión de la clasificación de la RD, aliviando potencialmente la carga sobre los profesionales médicos y mejorando en última instancia la calidad de vida de las personas en riesgo de pérdida de visión.