Los huevos defectuosos disminuyen el valor de la producción de gallinas ponedoras, particularmente en sistemas sin jaulas con una mayor incidencia de huevos en el suelo. Para mejorar la calidad, la visión por computadora y el procesamiento de imágenes han facilitado el desarrollo de sistemas automatizados de clasificación y detección de defectos. Además, los sistemas de medición de huevos utilizan la clasificación por peso para un valor de mercado óptimo. Sin embargo, pocos estudios han integrado técnicas de aprendizaje profundo y visión por computadora para la clasificación y pesaje de huevos combinados. Para abordar esta brecha, se desarrolló un modelo de dos etapas basado en la detección multitarea en tiempo real (RTMDet) y redes de bosques aleatorios para predecir la categoría y el peso del huevo. El modelo utiliza una red neuronal convolucional (CNN) y técnicas de regresión para realizar la clasificación y el pesaje conjunto de los huevos. RTMDet se utilizó para clasificar y extraer características de los huevos para la clasificación, y se utilizó un algoritmo de Bosque Aleatorio para predecir el peso del huevo basado en las características extraídas (eje mayor y eje menor). Los resultados del estudio mostraron que la mejor precisión alcanzada fue del 94.8% y el mejor R2 fue del 96.0%. Además, el modelo puede utilizarse para excluir automáticamente huevos de tamaño no estándar y huevos con problemas exteriores (por ejemplo, depósitos de calcio, manchas y grietas). Este detector se encuentra entre los primeros modelos que realizan la función conjunta de clasificar y pesar huevos, y es capaz de clasificarlos en cinco categorías (intacto, agrietado, sanguinolento, en el suelo y no estándar) y medirlos hasta el tamaño jumbo. Al implementar los hallazgos de este estudio, la industria avícola puede reducir costos y aumentar la productividad, lo que en última instancia conduce a productos de mejor calidad para los consumidores.