La industria de cría de ovejas para carne de cordero ha experimentado una transformación significativa en los últimos años, pasando de la cría tradicional en praderas de pastoreo libre a un enfoque más inteligente. Como resultado, los sistemas automatizados de reconocimiento facial de ovejas se han vuelto vitales para las prácticas de cría modernas y han reemplazado gradualmente la colocación de etiquetas en las orejas y otras técnicas de seguimiento manual. Aunque se han introducido conjuntos de datos de rostros de ovejas en estudios anteriores, a menudo han implicado restricciones de pose o de fondo (por ejemplo, fijación de la cabeza del sujeto, limpieza del rostro), lo que restringe la recopilación de datos y ha limitado el tamaño de los conjuntos de muestras disponibles. Como resultado, falta un benchmark integral diseñado exclusivamente para la evaluación de algoritmos de reconocimiento de ovejas individuales. Para abordar este problema, este estudio desarrolló un conjunto de datos de benchmark a gran escala, Sheepface-107, que consta de 5350 imágenes adquiridas de 107 sujetos diferentes. Las imágenes fueron recolectadas de cada oveja desde múltiples ángulos, incluyendo vistas frontal y trasera, en una colección diversa que proporciona una representación más completa de las características faciales. Además del conjunto de datos, se desarrolló un protocolo de evaluación aplicando múltiples métricas de evaluación a los resultados producidos por tres modelos de aprendizaje profundo diferentes: VGG16, GoogLeNet y ResNet50, que lograron F1-scores del 83.79%, 89.11% y 93.44%, respectivamente. Un análisis estadístico de cada algoritmo sugirió que la precisión y el número de parámetros eran las métricas más informativas para evaluar el rendimiento de reconocimiento.