Obtener información precisa sobre la cantidad de manzanas en plantaciones agrícolas resulta vital para potenciar las decisiones de los productores en relación con la producción, distribución y comercialización de dichos cultivos. En este contexto, la robótica y las redes neuronales emergen como herramientas óptimas, dado su notable avance en los últimos años. A lo largo de este proyecto, se buscaron soluciones para la identificación y el conteo de manzanas en videos filmados por robots terrestres, que circulan entre hileras de árboles de manzanas en plantaciones. Con este objetivo, se propusieron combinaciones de redes neuronales de detección con algoritmos de seguimiento, tomando la cantidad de manzanas identificadas por los algoritmos como la cantidad total de manzanas en un video. Los modelos de redes neuronales seleccionados para detección fueron Faster R-CNN, YOLOv5 y YOLOv8. Estos modelos se entrenaron utilizando múltiples conjuntos de datos, y se evaluaron utilizando sus propios datos de prueba y un conjunto adicional construido a partir de datos del ambiente real. Como algoritmos de seguimiento, se evaluaron StrongSort, Bytetrack y OCSort, en combinación con los modelos de detección entrenados YOLOv5 y YOLOv8. Ante los resultados obtenidos en la etapa de conteo y las características de los árboles de manzanas, se plantea la utilización de dos métodos de ajuste de predicciones, uno basado en regresión lineal y otro basado en coeficientes de ajuste.