"Estos casi no son poemas de amor. Son poemas de mi amor. De un amor, quiero decir. Y son también de mi deseo. Así ¿a quién más que a mi novio, o a aquellos amigos cercanos que me quieren, o a mí, podrían interesar? Temo que para otros podrían resultar muy aburridos. Es probable. Porque Fray Luis comentó algo acerca de un pasaje del libro que Salomón le hizo a su amada: si alguien ve de lejos, sin oír la música que los anima, a una pareja que baila, así, sordo, solo verá un par de monigotes moverse como idiotas. Y es cierto. Pero fray Luis también creía que justamente por eso valen, y son bellos, los escritos sobre amores. Porque a veces evocan esa música; la que los dos danzaron. Acaso, a pesar de mi torpeza, haya sido yo capaz de hacer sonar algo de ella en estas líneas. Ojalá así sea". -          Fernando Molano Vargas, en 1997 "Todas mis cosas en tus bolsillos es un conjunto de vestigios e invocaciones del amor a un ausente, y están escritos al filo de la propia ausencia; es un collar de poemas de muerte, como lo son todos los poemas de 'un amor'". -          Del prólogo escrito por Carolina Sanín

Abstract: The use of computer vision, deep learning, and drones has revolutionized agriculture by enabling efficient crop monitoring and disease detection. Still, many challenges need to be overcome due to the vast diversity of plant species and their unique regional characteristics. Olive trees, which have been cultivated for thousands of years, present a particularly complex case for leaf-based disease diagnosis as disease symptoms can vary widely, both between different plant variations and even within individual leaves on the same plant. This complexity, coupled with the susceptibility of olive groves to various pathogens, including bacterial blight, olive knot, aculus olearius, and olive peacock spot, has hindered the development of effective disease detection algorithms. To address this challenge, we have devised a novel approach that combines deep learning techniques, leveraging convolutional neural networks, vision transformers, and cloud computing-based models. Aiming to detect and classify olive tree diseases the experimental results of our study have been highly promising, demonstrating the effectiveness of the combined transformer and cloud-based machine learning models, achieving an impressive accuracy of approximately 99.6% for multiclass classification cases including healthy, aculus olearius, and peacock spot infected leaves. These results highlight the potential of deep learning models in tackling the complex-ities of olive leaf disease detection and the need for further research in the field. Resumen: El uso de visión por computadora, aprendizaje profundo y drones ha revolucionado la agricultura al permitir un monitoreo eficiente de cultivos y la detección de enfermedades. Sin embargo, aún existen muchos desafíos debido a la vasta diversidad de especies vegetales y sus características regionales únicas. Los olivos, que han sido cultivados durante miles de años, presentan un caso especialmente complejo para el diagnóstico de enfermedades basado en las hojas, ya que los síntomas pueden variar ampliamente, tanto entre diferentes variaciones de plantas como incluso dentro de hojas individuales en la misma planta. Esta complejidad, junto con la susceptibilidad de los olivares a varios patógenos, como la bacteriosis, el nudo del olivo, el aculo olearius y la mancha de pavo real del olivo, ha dificultado el desarrollo de algoritmos efectivos de detección de enfermedades. Para abordar este desafío, hemos ideado un enfoque novedoso que combina técnicas de aprendizaje profundo, aprovechando redes neuronales convolucionales, transformadores de visión y modelos basados en computación en la nube. Con el objetivo de detectar y clasificar enfermedades de los olivos, los resultados experimentales de nuestro estudio han sido muy prometedores, demostrando la efectividad de los modelos combinados de transformadores y aprendizaje automático basado en la nube, logrando una impresionante precisión de aproximadamente el 99.6% para casos de clasificación multiclase, que incluyen hojas sanas, infectadas con aculo olearius y mancha de pavo real. Estos resultados destacan el potencial de los modelos de aprendizaje profundo para abordar las complejidades de la detección de enfermedades en las hojas de olivo y la necesidad de más investigaciones en este campo.