Las enfermedades de las plantas representan la mayor amenaza para la integridad del suministro de alimentos, y es un desafío significativo identificar las enfermedades de las plantas en sus etapas más tempranas para reducir el potencial de daño económico asociado. A través del uso de la visión por computadora, se ofrece una inteligencia artificial de vanguardia como solución a este problema para clasificar las enfermedades de las hojas de tomate. Se espera que la red propuesta brinde excelentes resultados. También se utiliza el aprendizaje por transferencia para hacer que el modelo sea eficiente y rentable. Dado que las enfermedades del tomate pueden influir significativamente en el rendimiento y la calidad de los cultivos, la identificación temprana y el diagnóstico de estas enfermedades son esenciales para un tratamiento exitoso. El aprendizaje profundo ha demostrado tener un gran potencial en la identificación de enfermedades de plantas, brindando una excelente precisión y eficiencia. En esta investigación, comparamos el rendimiento de tres modelos diferentes de aprendizaje profundo -DenseNet169, ResNet50V2 y un modelo de transformación, llamado ViT, con respecto al diagnóstico de enfermedades que afectan a los tomates. Tanto muestras de tomates enfermos como sanos se incluyeron en el conjunto de datos de fotos de enfermedades de tomate utilizadas para entrenar y probar los modelos. El modelo DenseNet121 obtuvo los mejores resultados, con una precisión de entrenamiento del (99.88%) y una precisión de prueba del (99.00%). Esto le otorgó la mayor precisión general. Tanto los modelos ResNet50V2 como VIT alcanzaron altos niveles de precisión, con precisión de prueba del (95.60% y 98.00%), respectivamente. Nuestros resultados demuestran el potencial del aprendizaje profundo para la detección precisa y eficiente de enfermedades de tomate, lo cual podría ayudar en la gestión temprana de enfermedades y, en última instancia, mejorar el rendimiento y la calidad de los cultivos. Los hallazgos experimentales muestran que los modelos de conjunto sugeridos destacan debido al corto tiempo requerido para el entrenamiento y prueba, así como a sus excepcionales desempeños de clasificación. Debido a este estudio, los profesionales podrán facilitar el diagnóstico temprano de enfermedades de plantas de manera sencilla y expedita, previniendo así la aparición de nuevas infecciones.