El método tradicional para diagnosticar la malaria lleva tiempo, ya que los médicos tienen que revisar alrededor de 5000 células para producir el informe final. La precisión del informe final también depende de la experiencia del médico. En caso de una epidemia de malaria, la escasez de médicos calificados puede convertirse en un problema. En el método manual, los parásitos son identificados por identificación visual; esta técnica puede ser automatizada con el uso de nuevos algoritmos. Hay numerosos conjuntos de datos de imágenes disponibles públicamente que contienen la estructura intrincada de parásitos, y los algoritmos de aprendizaje profundo pueden reconocer estos patrones complicados en las imágenes. Este estudio tiene como objetivo identificar y localizar parásitos de malaria en la fotografía de células sanguíneas utilizando el modelo YOLOv5. En esta investigación, se utiliza un conjunto de datos públicamente disponible de trofozoítos de malaria que contiene 1182 muestras de datos. YOLOv5, con la novedosa técnica de conjunto de pesos y aprendizaje por transferencia tradicional, se entrena utilizando este conjunto de datos, y los resultados se compararon con otros modelos de detección de objetos, como Faster RCNN, SSD net y el modelo híbrido. Se observó que YOLOv5 con los pesos de conjunto ofrece mejores resultados en términos de precisión, recall y valores de mAP: 0.76, 0.78 y 0.79, respectivamente. El puntaje de mAP más cercano a 1 significa una mayor confianza en la localización de los parásitos. Este estudio es la primera implementación de YOLOv5 de conjunto en el campo de detección de parásitos de malaria. El modelo de conjunto propuesto puede detectar la presencia de parásitos de malaria y localizarlos con cajas delimitadoras mejor que los modelos utilizados anteriormente.