El monitoreo del crecimiento de los cultivos es un aspecto crucial de la agricultura de precisión, esencial para la predicción óptima de rendimientos y la asignación de recursos. Los métodos tradicionales de monitoreo del crecimiento de los cultivos son intensivos en mano de obra y propensos a errores. Este estudio presenta un canal de segmentación automatizado que utiliza imágenes aéreas de múltiples fechas y ortomosaicos para monitorear el crecimiento de los cultivos de coliflor (var.) utilizando un enfoque de análisis de imágenes basado en objetos. La metodología emplea YOLOv8, un Transformador de Detección de Anclajes con Mejora de Cajas de Anclaje para Desruido (DINO), y el Modelo Segment Anything (SAM) para anotación y segmentación automáticas. El modelo YOLOv8 fue entrenado utilizando conjuntos de datos de imágenes aéreas, lo que facilitó el entrenamiento del marco del Modelo de Segmentación de Cualquier Cosa Fundamentada. Este enfoque generó anotaciones automáticas y máscaras de segmentación, clasificando las hileras de cultivos para monitoreo temporal y estimación de crecimiento. Los hallazgos del estudio utilizaron un enfoque de monitoreo multimodal para resaltar la eficiencia de este sistema automatizado en proporcionar un análisis preciso del crecimiento de los cultivos, promoviendo la toma de decisiones informadas en la gestión de cultivos y prácticas agrícolas sostenibles. Los resultados indican patrones de crecimiento consistentes y comparables entre las imágenes aéreas y los ortomosaicos, con períodos significativos de expansión rápida y fluctuaciones menores con el tiempo. Los resultados también indicaron una correlación entre el tiempo y el método de observación, lo que allana el camino para una futura integración de técnicas destinadas a aumentar la precisión en el monitoreo del crecimiento de los cultivos basado en máscaras de segmentación temporal derivadas automáticamente.