Este estudio presenta un modelo de You Only Look Once (YOLO) para detectar enfermedades en hojas de tomate, utilizando YOLOV8s como el marco subyacente. Las imágenes de hojas de tomate, tanto sanas como enfermas, se obtuvieron del conjunto de datos Plant Village. Estas imágenes fueron mejoradas, implementadas y entrenadas utilizando YOLOV8s a través del Ultralytics Hub. El Ultralytics Hub proporciona un entorno óptimo para el entrenamiento de los modelos YOLOV8 y YOLOV5. El archivo YAML fue cuidadosamente programado para identificar hojas enfermas. Los resultados de la detección demuestran la resistencia y eficiencia del modelo YOLOV8s al reconocer con precisión las hojas de tomate no saludables, superando el rendimiento de los modelos YOLOV5 y Faster R-CNN. Los resultados indican que YOLOV8s alcanzó la mayor precisión promedio (mAP) del 92.5%, superando el 89.1% de YOLOV5 y el 77.5% de Faster R-CNN. Además, el modelo YOLOV8s es considerablemente más pequeño y demuestra una velocidad de inferencia significativamente más rápida. El modelo YOLOV8s tiene una tasa de cuadros significativamente superior, alcanzando 121.5 FPS, en contraste con los 102.7 FPS de YOLOV5 y los 11 FPS de Faster R-CNN. Esto ilustra la falta de capacidad de detección en tiempo real en Faster R-CNN, mientras que YOLOV5 es comparativamente menos eficiente que YOLOV8s para satisfacer estas necesidades. En general, los resultados demuestran que el modelo YOLOV8s es más eficiente que los otros modelos examinados en este estudio para la detección de objetos.