El garbanzo juega un papel significativo en la agricultura global y ocupa una parte creciente en la dieta humana. El objetivo principal de la investigación fue desarrollar un modelo para la predicción de dos rasgos de productividad del garbanzo en el conjunto de datos disponible. Los datos genómicos para los accesos se codificaron en Objetos de Imagen Artificial, y se construyó un modelo para la predicción del peso de mil semillas (TSW) y el número de semillas por planta (SNpP) utilizando una Red Neuronal Convolucional, aprendizaje de diccionarios y codificación escasa para la extracción de características, y un impulso de gradiente extremo para la regresión. El modelo fue capaz de predecir ambos rasgos con una precisión aceptable del 84-85%. Los factores más importantes para la solución del modelo se identificaron utilizando el método de mapas de atención de regresión densa. Los SNPs importantes para los rasgos de SNpP y TSW se encontraron en 34 y 49 genes, respectivamente. La predicción genómica con un modelo construido puede ayudar a los programas de mejoramiento a aprovechar la diversidad genotípica y fenotípica para producir variedades con un fenotipo deseado de manera más efectiva.