Proponemos modelos optimizados de aprendizaje profundo (DL) para el análisis automático de rasgos de conformación de ubres de ganado. Uno de los rasgos está representado por tetillas supernumerarias que son un exceso del número normal de tetillas. Las tetillas supernumerarias son la anomalía congénita heredable más común en el ganado. Por lo tanto, la principal ventaja de nuestro método propuesto es su capacidad para seleccionar automáticamente las imágenes relevantes y posteriormente realizar la clasificación de tetillas supernumerarias cuando hay datos limitados disponibles. Para este propósito, realizamos un análisis experimental en el conjunto de datos de imágenes que recopilamos utilizando un dispositivo portátil que consta de una cámara de profundidad y RGB combinadas. Para revelar las características subyacentes de nuestros datos, consideramos la técnica de aproximación y proyección del manifol uniforme (UMAP). Además, para una evaluación exhaustiva, exploramos el impacto de diferentes técnicas de aumento de datos en el rendimiento de los modelos de DL. También exploramos el impacto de solo datos RGB y la combinación de datos RGB y de profundidad en el rendimiento de los modelos de DL. Para este propósito, integramos los tres canales de datos RGB con el canal de profundidad para generar cuatro canales de datos. Presentamos los resultados de todos los modelos en términos de cuatro métricas de rendimiento, a saber, precisión, puntuación F, precisión y sensibilidad. Los resultados experimentales revelan que un mayor nivel de técnicas de aumento de datos mejora el rendimiento de los modelos de DL en aproximadamente un 10%. Nuestro método propuesto también supera a los métodos de referencia introducidos recientemente en la literatura.