El reconocimiento automatizado de enfermedades en las hojas de tomate puede mejorar significativamente el rendimiento y permitir a los agricultores gestionar los desafíos de manera más eficiente. Este estudio investiga el rendimiento de YOLOv11 para el reconocimiento de enfermedades en hojas de tomate. Todas las versiones accesibles de YOLOv11 fueron primero ajustadas en un conjunto de datos mejorado de enfermedades en hojas de tomate que consiste en una clase saludable y 10 clases de enfermedades. Se seleccionó YOLOv11m para una optimización adicional de hiperparámetros basada en sus métricas de evaluación. Logró una puntuación de aptitud de 0.98885, con una precisión de 0.99104, un recall de 0.98597 y un mAP@.5 de 0.99197. Este modelo pasó por una rigurosa optimización de hiperparámetros utilizando el algoritmo de un factor a la vez (OFAT), con un enfoque en parámetros esenciales como el tamaño del lote, la tasa de aprendizaje, el optimizador, la descomposición de peso, el momento, el abandono y las épocas. Posteriormente, se realizó una búsqueda aleatoria (RS) con 100 configuraciones basadas en los resultados de OFAT. Entre ellas, el modelo C47 demostró una puntuación de aptitud de 0.99268 (una mejora del 0.39%), con una precisión de 0.99190 (0.09%), un recall de 0.99348 (0.76%) y un mAP@.5 de 0.99262 (0.07%). Los resultados sugieren que el modelo final funciona de manera eficiente y es capaz de detectar e identificar con precisión las enfermedades en las hojas de tomate, lo que lo hace adecuado para aplicaciones agrícolas prácticas.