El despliegue de modelos de aprendizaje automático en plataformas móviles ha dado paso a una nueva era de innovación en diversos sectores, incluida la agricultura, donde tales aplicaciones tienen un inmenso potencial para empoderar a los agricultores con tecnologías de vanguardia. En este contexto, la amenaza que representan los insectos para los rendimientos de los cultivos durante la cosecha ha aumentado, impulsada por factores como la evolución y los cambios en el comportamiento de los insectos inducidos por el cambio climático. Para abordar este desafío, han surgido sistemas inteligentes de monitoreo de insectos y modelos de detección como herramientas cruciales para los agricultores y sistemas basados en IoT, permitiendo intervenciones para proteger los cultivos. La principal contribución de este estudio radica en su investigación sistemática de técnicas de optimización de modelos para el despliegue en el borde, incluyendo la Cuantización Post-Entrenamiento, el Entrenamiento Consciente de Cuantización y la Cuantización Representativa de Datos. De este modo, abordamos la necesidad crucial de herramientas eficientes de detección de plagas in situ en entornos agrícolas. Proporcionamos un análisis detallado de las compensaciones entre el tamaño del modelo, la velocidad de inferencia y la precisión a través de diferentes enfoques de optimización, asegurando la aplicabilidad práctica en entornos agrícolas con recursos limitados. Nuestro estudio explora diversas metodologías para el desarrollo de modelos, incluyendo la utilización de arquitecturas Mobile-ViT y EfficientNet, junto con técnicas de transferencia de aprendizaje y ajuste fino. Utilizando el Conjunto de Datos de Insectos de Granja Peligrosos, logramos una precisión del 82.6% y del 77.8% en los conjuntos de datos de validación y prueba, respectivamente, mostrando la eficacia de nuestro enfoque. Además, investigamos técnicas de cuantización para optimizar el rendimiento del modelo para la inferencia en el dispositivo, asegurando un despliegue sin problemas en dispositivos móviles y otros dispositivos de borde sin comprometer la precisión. El mejor modelo cuantizado, producido a través de la Cuantización Post-Entrenamiento, pudo mantener una precisión de clasificación del 77.8% mientras reducía significativamente el tamaño del modelo de 33 MB a 9.6 MB. Para validar la generalizabilidad de nuestra solución, extendimos nuestros experimentos al conjunto de datos más grande IP102. El modelo cuantizado producido utilizando la Cuantización Post-Entrenamiento pudo mantener una precisión de clasificación del 59.6% mientras también reducía el tamaño del modelo de 33 MB a 9.6 MB, demostrando así que nuestra solución mantiene un rendimiento competitivo en una gama más amplia de clases de insectos.