La acuicultura produce más de 122 millones de toneladas de pescado a nivel mundial. Entre las varias especies de importancia económica se encuentran los Serrasalmidae, que son valorados por sus características nutricionales y sensoriales. Para satisfacer la creciente demanda, es necesario automatizar y mejorar la precisión de los procesos, a un costo menor. Las redes neuronales convolucionales (CNN) son una alternativa viable para la automatización, reduciendo la intervención humana, el tiempo de trabajo, los errores y los costos de producción. Por lo tanto, el objetivo de este trabajo es evaluar la eficacia de las redes neuronales convolucionales (CNN) en el conteo de alevines de pescado redondo (Serrasalmidae) a diferentes densidades utilizando 390 fotografías en color en un entorno iluminado. Las fotografías fueron sometidas a dos redes neuronales convolucionales para la detección de objetos: un modelo fue adaptado de una CNN preentrenada y el otro fue una plataforma en línea basada en AutoML. Las métricas utilizadas para la evaluación del rendimiento fueron precisión (P), recuperación (R), exactitud (A) y F1-Score. En conclusión, las redes neuronales convolucionales (CNN) son herramientas efectivas para detectar y contar peces. La CNN preentrenada demostró un rendimiento excepcional en la identificación de alevines de pescado, logrando tasas de exactitud, precisión y recuperación del 99% o más, independientemente de la densidad de los peces. Por otro lado, el AutoML mostró una reducción en las tasas de exactitud y recuperación a medida que aumentaba el número de peces.