En los últimos años, han surgido varias técnicas basadas en aprendizaje automático para proporcionar protección efectiva de cultivos. Por ejemplo, las redes neuronales profundas se han utilizado para identificar diferentes tipos de malezas en diferentes condiciones del mundo real. Sin embargo, estas técnicas suelen requerir la participación extensa de expertos que trabajan de forma iterativa en el desarrollo del sistema de aprendizaje automático más adecuado. Para apoyar esta tarea y ahorrar recursos, ha comenzado a estudiarse una nueva técnica llamada Aprendizaje Automático Automatizado. En este trabajo, se evaluó un sistema completo de Aprendizaje Automático Automatizado de código abierto con dos conjuntos de datos diferentes, (i) el conjunto de datos de Malezas Tempranas de Cultivos y (ii) el conjunto de datos de Plántulas de Plantas, que abarcan el problema de identificación de malezas. Se compararon diferentes configuraciones, como el uso de segmentación de plantas, el uso de conjuntos de clasificadores en lugar de Softmax y el entrenamiento con datos ruidosos. Los resultados mostraron un rendimiento prometedor del 93,8% y 90,74% de puntuación F dependiendo del conjunto de datos utilizado. Estos rendimientos estaban alineados con otros trabajos relacionados en AutoML, pero están lejos de los sistemas basados en aprendizaje automático ajustados manualmente por expertos humanos. A partir de estos resultados, se puede concluir que encontrar un equilibrio entre el trabajo manual de expertos y el Aprendizaje Automático Automatizado será un camino interesante para trabajar con el fin de aumentar la eficiencia en la protección de plantas.