Singkong (Manihot esculenta) merupakan salah satu komoditas pangan strategis di Indonesia. Namun, penyakit seperti Cassava Mosaic Disease (CMD), Cassava Green Mite (CGM), Cassava Bacterial Blight (CBB), dan Cassava Brown Streak Disease (CBSD) sering menjadi kendala serius dalam budidayanya. Penelitian ini bertujuan mengembangkan alat deteksi penyakit daun singkong berbasis Embedded Vision System yang mengintegrasikan algoritma YOLOv8 dan SSD MobileNetV2, diimplementasikan pada Raspberry Pi 4B sebagai platform utama. Alat ini dirancang agar portabel dan mudah digunakan di lapangan, didukung oleh antarmuka grafis berbasis PyQt5. Dataset yang digunakan mencakup 4500 citra daun singkong dengan lima kelas utama, yaitu empat jenis penyakit dan daun sehat. Proses pelatihan melibatkan augmentasi data untuk meningkatkan variasi dan kualitas dataset. Pengujian meliputi akurasi deteksi, kecepatan pemrosesan, efisiensi daya, dan performa alat dalam kondisi lapangan. Hasil pengujian menunjukkan bahwa YOLOv8 memiliki tingkat akurasi dan kecepatan deteksi yang lebih baik dibandingkan SSD MobileNetV2, terutama dalam kondisi perangkat dengan sumber daya terbatas. Alat ini berhasil mendeteksi penyakit daun singkong secara Real-time dengan frame rate yang stabil. Selain itu, desain antarmuka pengguna memudahkan pengoperasian, bahkan bagi petani pemula. Berdasarkan hasil penelitian ini, alat deteksi berbasis Embedded Vision System dapat diimplementasikan secara efektif sebagai solusi identifikasi penyakit daun singkong di lapangan.