La forma del fruto impacta significativamente en la calidad y el valor comercial de los tomates (L.). La clasificación precisa es esencial para elucidar la base genética de la forma del fruto en programas de mejoramiento, descripciones de cultivares y registro de variedades. A pesar de esto, la clasificación de la forma del fruto sigue basándose principalmente en la inspección visual subjetiva, lo que lleva a procesos que consumen tiempo y mano de obra, propensos al error humano. Este estudio presenta un enfoque novedoso que incorpora técnicas de aprendizaje automático para establecer un sistema robusto de clasificación de la forma del fruto. Entrenamos y evaluamos siete algoritmos de aprendizaje automático supervisado aprovechando un conjunto de datos público derivado de la herramienta Tomato Analyzer y considerando los actuales cuatro sistemas de clasificación como variables de etiqueta. Posteriormente, basándonos en métricas específicas de clase, derivamos un nuevo marco de clasificación que comprende siete clases de forma discernibles. Los resultados demuestran la superioridad del modelo de Máquina de Vectores de Soporte en términos de su precisión, superando a los clasificadores humanos en todos los sistemas de clasificación. El nuevo sistema de clasificación logró la mayor precisión, promediando el 88%, y mantuvo un rendimiento similar cuando se validó con un conjunto de datos independiente. Posicionado como un estándar común, este sistema contribuye a estandarizar la clasificación de la forma del fruto del tomate, mejorando la precisión y promoviendo el consenso entre los investigadores. Su implementación servirá como una herramienta valiosa para superar el sesgo en la clasificación visual, fomentando así una comprensión más profunda de las preferencias del consumidor y facilitando estudios genéticos sobre la morfometría de la forma del fruto.