El uso de cámaras trampa enfrenta un desafío por la gran cantidad de imágenes que se almacenan, de las cuales muchas suelen ser imágenes no deseadas que se graban debido a la detección de movimiento producido por fenómenos naturales, como viento, lluvia, etc. que no contienen animales de interés. Esta problemática complica la tarea de clasificación manual de imágenes capturadas, ya que se debe invertir mucho tiempo y recursos. En el presente proyecto se ha desarrollado una herramienta automatizada que se encarga de filtrar estas imágenes mediante la creación de un modelo de Aprendizaje Profundo especializado en la detección de animales, adaptado específicamente a las características lumínicas y de formato de imagen del conjunto de datos de prueba. Para esto, primero se realizó una fase de etiquetación manual de las imágenes del conjunto de datos. Luego, se empleóla técnica de Transfer Learning utilizando de base el modelo YOLO 8, adaptando este modelo al conjunto de datos y asegurando que se preserven las características de detección de objetos generales de dicho modelo. Finalmente se evaluó la efectividad del modelo utilizando métricas de precisión, sensibilidad, matriz de confusión normalizada, métrica F1-Score y el historial de Error-Precisión del entrenamiento del modelo. El modelo alcanzó una precisión del 100% en la clasificación correcta de imágenes de interés con una sensibilidad del 91% y una métrica F1 del 83% a un nivel de confianza del 45%. La métrica de precisión sugiere un buen equilibrio entre precisión y sensibilidad, validando la robustez del modelo. Aunque, la métrica F1 indica un gran margen para mejorar la generalización del modelo.