La agricultura se erige como la piedra angular de la economía de África, apoyando a más del 60% de la fuerza laboral del continente. A pesar de su importancia, la evaluación de la calidad de los productos agrícolas sigue siendo una tarea desafiante, particularmente a gran escala, consumiendo tiempo y recursos valiosos. La ciruela africana es una fruta agrícola que se consume ampliamente en África Occidental y Central, pero que sigue estando subrepresentada en la investigación de IA. En este documento, recopilamos un conjunto de datos de 2892 muestras de ciruelas africanas de campos en Camerún, representando el primer conjunto de datos de este tipo para entrenar modelos de IA. El conjunto de datos contiene imágenes de ciruelas anotadas con grados de calidad. Luego entrenamos y evaluamos varios modelos de detección de objetos y clasificación de imágenes de última generación, incluyendo YOLOv5, YOLOv8, YOLOv9, Fast R-CNN, Mask R-CNN, VGG-16, DenseNet-121, MobileNet y ResNet, en este conjunto de datos de ciruelas africanas. Nuestra experimentación resultó en puntuaciones de precisión media promedio que oscilan entre el 88.2% y el 89.9% y precisiones entre el 86% y el 91% para los modelos de detección de objetos y los modelos de clasificación, respectivamente. Luego realizamos la poda de modelos para reducir el tamaño de los modelos mientras preservamos el rendimiento, logrando hasta un 93.6% de precisión media promedio y un 99.09% de precisión después de podar YOLOv5, YOLOv8 y ResNet entre un 10% y un 30%. Desplegamos el sistema de alto rendimiento YOLOv8 en una aplicación web, ofreciendo una herramienta de evaluación de calidad basada en IA accesible y adaptada para las ciruelas africanas. Hasta donde sabemos, esta representa la primera solución de este tipo para evaluar esta fruta subrepresentada, empoderando a los agricultores con herramientas eficientes. Nuestro enfoque integra la agricultura y la IA para llenar una brecha clave.