In this work, we evaluated the You Only Look Once (YOLOv3) architecture for real-time detection of pests in soybeans. Plantation images were collected on different days, locations and climatic conditions, between the phenological stages R1 to R6, considered to have a high occurrence of pests in soybeans. For the training and testing of the neural network, we used a 5-fold cross-validation considering four metrics to evaluate the classification results: precision, recall, F-score and accuracy; and three metrics to evaluate the detection results: mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (R²). The experimental results showed that the YOLOv3 architecture trained with batch size 32 leads to higher classification and detection rates compared to batch sizes 4 and 16. The results indicate that the evaluated architecture can support specialists and farmers in monitoring the levels of pest control action in soybean fields.Neste trabalho avaliamos a arquitetura You Only Look Once (YOLOv3) para detecção em tempo real de insetos-praga na soja. As imagens da plantação foram coletadas em dias, locais e condições climáticas diferentes, entre os estádios fenológicos R1 a R6, considerados de grande ocorrência de pragas na soja. Para o treinamento e teste da rede neural, usamos uma validação cruzada de 5 dobras considerando quatro métricas para avaliar os resultados da classificação: precisão, revocação, medida-F e acurácia; e três métricas para avaliar os resultados da detecção: erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e coeficiente de determinação (R²). Os resultados experimentais mostraram que a arquitetura YOLOv3 treinada com tamanho de lote 32 leva a taxas de classificação e detecção mais altas em comparação aos tamanhos de lote 4 e 16. Os resultados indicam que a arquitetura avaliada pode apoiar especialistas e agricultores no monitoramento dos níveis de ação de controle de pragas nos campos de soja.