La automatización de maquinaria agrícola presenta una oportunidad significativa para reducir costos y mejorar la eficiencia en las operaciones de campo actuales y futuras. La detección y destrucción de malezas en áreas agrícolas a través de robots puede ser un ejemplo de este proceso. Los algoritmos de aprendizaje profundo pueden detectar con precisión las malezas en los campos agrícolas. Además, los sistemas robóticos pueden eliminar eficazmente estas malezas. Sin embargo, las altas demandas computacionales de los algoritmos de detección de malezas basados en aprendizaje profundo plantean desafíos para su uso en aplicaciones en tiempo real. Este estudio propone un robot agrícola autónomo basado en visión que aprovecha el modelo YOLOv8 en combinación con ByteTrack para lograr una detección efectiva de malezas en tiempo real. Se utilizó un conjunto de datos de 4126 imágenes para crear modelos YOLO, con el 80% de las imágenes designadas para entrenamiento, el 10% para validación y el 10% para pruebas. Se entrenaron y probaron seis detectores de objetos YOLO diferentes para la detección de malezas. Entre estos modelos, YOLOv8 se destaca, logrando una precisión del 93.8%, un recall del 86.5% y una precisión de detección mAP@0.5 del 92.1%. Con una velocidad de detección de objetos de 18 FPS y las ventajas del algoritmo de seguimiento de objetos ByteTrack integrado, se seleccionó YOLOv8 como el modelo más adecuado. Además, el modelo YOLOv8-ByteTrack, desarrollado para la detección de malezas, se implementó en un robot agrícola con capacidades de conducción autónoma integradas con ROS. Este sistema facilita la detección y destrucción de malezas en tiempo real, mejorando la eficiencia de la gestión de malezas en las prácticas agrícolas.