El presente proyecto aborda la problemática de la detección de objetos pequeños mediante redes neuronales convolucionales, en particular la detección y conteo de flores de manzano en montes de frutales. El monitoreo del número de flores en árboles productores de frutos resulta fundamental en la agricultura de precisión, ya que permite estimar el potencial productivo del árbol, anticipar la carga frutal y optimizar decisiones agronómicas clave como el raleo, la fertilización y el manejo hídrico. Las principales dificultades radican en el pequeño tamaño de las flores, su alta densidad, y la frecuente oclusión entre instancias. Si bien las arquitecturas de detección de objetos de última generación presentan un buen rendimiento en la identificación de objetos grandes y medianos, su desempeño en la detección de objetos pequeños dista de ser aceptable para tareas que requieren alta precisión en el conteo. Con el objetivo de atacar esta problemática, se evaluó el impacto de aplicar el marco de trabajo Slicing Aided Hyper Inference (SAHI) en modelos entrenados para detección de flores. SAHI combina dos técnicas: el ajuste fino asistido mediante el particionado de las imágenes del conjunto de datos previo al entrenamiento, y la inferencia mediante particionado de imágenes, buscando mejorar la representación de objetos pequeños en el proceso de detección. Se entrenaron modelos de detección de objetos utilizando conjuntos de datos públicos que contienen imágenes de flores de manzano y perales en montes de frutales. Como arquitectura principal de detección se utilizó YOLO (You Only Look Once) en su versión v8. Los resultados de los ensayos ponen de manifiesto mejoras significativas en el desempeño de los modelos tras la aplicación de estas técnicas. Se observaron incrementos entre 5 y 15 puntos porcentuales en las métricas de precisión media de los modelos posteriores a la aplicación del marco de trabajo SAHI. Estas mejoras se manifiestan principalmente en las instancias clasificadas como pequeñas, seguidas por aquellas de tamaño mediano, lo que evidencia una mejora en la sensibilidad del modelo frente a objetos de menor escala. Los resultados validan la efectividad de las estrategias aplicadas para mejorar la detección de flores de manzana, pudiendo ofrecer una mejora considerable en el rendimiento de una solución concreta aplicable en contextos agrícolas reales, que permita el conteo de flores mediante el procesamiento en diferido de videos capturados por robots terrestres.