Antecedentes: Modelos más grandes y complejos suelen ser desarrollados para tareas desafiantes de detección de objetos, y las aumentaciones de imágenes se utilizan para entrenar un modelo de aprendizaje profundo robusto para conjuntos de datos de imágenes pequeñas. Estudios previos han sugerido que los modelos más pequeños proporcionan un mejor rendimiento en comparación con los modelos más grandes para aplicaciones agrícolas, y no todos los métodos de aumentación de imágenes contribuyen por igual al rendimiento del modelo. Una parte importante de estos estudios también fue definir la escena de la imagen. Métodos: Se desarrolló una definición estándar para describir escenas en conjuntos de datos agrícolas del mundo real revisando varias aplicaciones de aprendizaje automático basadas en imágenes en la literatura agrícola. Este estudio evalúa principalmente los efectos del tamaño del modelo en detectores de una etapa y de dos etapas en el rendimiento del modelo para aplicaciones de fondo complejo de bajo contraste. Además, explora la influencia de diferentes métodos de aumentación de imágenes fotométricas en el rendimiento del modelo para detectores estándar de una etapa y de dos etapas. Resultados: Para detectores de una etapa, un modelo más pequeño tuvo un mejor rendimiento que un modelo más grande. Mientras que en el caso de detectores de dos etapas, el rendimiento del modelo aumentó con el tamaño del modelo. En las aumentaciones de imágenes, algunos métodos mejoraron considerablemente el rendimiento del modelo y otros no proporcionaron ninguna mejora o redujeron el rendimiento del modelo en comparación con el modelo base, tanto en detectores de una etapa como de dos etapas.