Заболевания сетчатки остаются одной из ведущих причин слабовидения в мире. Разработка методов автоматизированной диагностики может повысить эффективность и доступность программ массового скрининга патологии макулярной области. Целью работы было разработать и провалидировать алгоритмы машинного обучения для диагностики макулярной патологии на основе анализа цветных фотографий глазного дна с предварительной разметкой данных и без нее на примере возрастной макулярной дегенерации (ВМД). В исследовании использовали 1200 цветных фотографий глазного дна из локальных баз данных, включая 575 изображений сетчатки пациентов с ВМД и 625 ретинальных фотографий здоровых пациентов. Алгоритм глубокого обучения был реализован на основе нейронной сети Faster RCNN c ResNet50 в качестве сверточной основы с использованием трансферного обучения. В результате, при отсутствии разметки валидация показала неудовлетворительную точность модели (79%), что было связано с неправильным выбором нейросетью областей внимания. Выполнение разметки повысило эффективность разработанной методики, на тестовом наборе данных модель продемонстрировала адекватное определение информативных участков, точность классификации достигла 96,6%. Таким образом, применение разметки изображений значительно повышает точность распознавания цветных изображений сетчатки с помощью нейросетевых технологий и позволяет создавать эффективные модели при использовании ограниченных по объему наборов данных.