La detección precisa de barras de refuerzo (rebars) en estructuras de concreto utilizando radar de penetración terrestre (GPR) es crucial para una evaluación estructural efectiva, pero sigue siendo un desafío, particularmente cuando las capas de asfalto comprometen la claridad de la señal. Este estudio evalúa el rendimiento de la detección de rebars basada en aprendizaje profundo utilizando el modelo de detección de objetos You Only Look Once versión 8 (YOLOv8) en tres conjuntos de datos de GPR categorizados como claros, interferentes y borrosos. Los modelos entrenados en cada categoría se aplicaron en diversas condiciones para evaluar la generalización y robustez. Se introdujo un algoritmo de filtrado para eliminar detecciones redundantes y superpuestas, mejorando significativamente la precisión de las predicciones basadas en YOLOv8. El enfoque de YOLOv8 supera a las técnicas analíticas tradicionales, especialmente en escenarios ruidosos o complejos. En imágenes de GPR borrosas donde los métodos analíticos fallan, el modelo filtrado de YOLOv8 detecta con precisión las rebars con un conteo que coincide estrechamente con la verdad de terreno. A través de diferentes conjuntos de datos, el enfoque de YOLOv8 demuestra una mejor consistencia tanto en la ubicación como en la estimación de cantidad, con predicciones filtradas que corrigen la sobre-detección sustancial observada en las salidas en bruto. El estudio presenta un marco práctico para aplicar el aprendizaje profundo a los datos de GPR, mejorando la fiabilidad de la detección de rebars bajo diversas condiciones de prueba y evaluación en campo. Los hallazgos destacan la importancia de desarrollar conjuntos de datos de entrenamiento adaptados y estrategias de post-procesamiento al implementar herramientas de IA para inspecciones de puentes en servicio.