Точная диагностика заболеваний и выбор корректной стратегии лечения позволяют не только сохранить, но и увеличить урожай. Современные методы глубокого обучения зарекомендовали себя как эффективное решение данной проблемы. Однако ограниченные объемы доступных данных и схожесть симптомов различных заболеваний снижают эффективность традиционных подходов, таких как перенос обучения. В данном исследовании использовался уникальный набор данных проекта DoctorP, включающий 46 классов заболеваний и 2615 изображений. DoctorP — это многофункциональная платформа для диагностики болезней растений, ориентированная как на сельскохозяйственные, так и на декоративные культуры. Платформа предоставляет различные интерфейсы, включая мобильные приложения для iOS и Android, Telegram-бота и API для интеграции с внешними сервисами. Пользователи системы отправляют фотографии больных растений, получая прогноз по заболеванию и рекомендации по лечению. DoctorP поддерживает широкий спектр моделей для классификации болезней растений. Ранее для создания моделей применялись MobileNet_v2 и функция минимизации потерь Triplet Loss. Однако значительное увеличение количества классов заболеваний потребовало проведения новых экспериментов с архитектурами и методами обучения. В текущем исследовании предлагается более эффективное решение, основанное на архитектуре ConvNeXt и функции минимизации потерь Large Margin Cosine Loss, для классификации 46 классов заболеваний растений в условиях ограниченного объема данных. Количество изображений в каждом классе варьируется от 30 до 130. Предложенная архитектура позволяет достигать точности в 88,35% и F1-score 0,9, что значительно превосходит как классические решения на базе переноса обучения, так и предыдущий подход на основе Triplet Loss. Улучшенный алгоритм обучения моделей уже внедрен в платформу DoctorP, значительно повышая точность и надежность диагностики заболеваний растений.