Los métodos de medición tradicionales a menudo dependen de operaciones manuales, que no solo son ineficientes, sino que también causan estrés en el ganado, afectando el bienestar animal. Actualmente, la medición de dimensiones del ganado sin contacto generalmente implica el uso de imágenes de múltiples vistas combinadas con tecnologías de nubes de puntos o reconstrucción 3D, que son costosas y menos flexibles en entornos agrícolas reales. Para abordar esto, este estudio propone un método automatizado de medición de dimensiones del ganado basado en un modelo de detección de puntos clave mejorado combinado con imágenes de profundidad unilateral. En primer lugar, se selecciona YOLOv8-Pose como el modelo de detección de puntos clave y SimSPPF reemplaza el SPPF original para optimizar el agrupamiento de pirámides espaciales, reduciendo la complejidad computacional. Se introduce la arquitectura CARAFE, que mejora las capacidades de aumento de contenido consciente, en el cuello. El YOLOv8-pose mejorado logra un mAP del 94.4%, un aumento del 2% sobre el modelo base. Luego, se capturan los puntos clave del ganado en imágenes RGB y se mapean a imágenes de profundidad, donde los puntos clave se optimizan utilizando filtrado condicional en la imagen de profundidad. Finalmente, se calculan los parámetros de dimensiones del ganado utilizando los puntos clave del ganado combinados con la distancia euclidiana, el método de Mínimos Cuadrados Móviles (MLS), Funciones de Base Radial (RBF) e Interpolación de B-Spline Cúbica (CB-SI). Los errores relativos promedio para la altura del cuerpo, la altura lumbar, la longitud del cuerpo y la circunferencia del pecho de los 23 bovinos de carne medidos fueron del 1.28%, 3.02%, 6.47% y 4.43%, respectivamente. Los resultados muestran que el método propuesto en este estudio tiene alta precisión y puede proporcionar un nuevo enfoque para la medición de dimensiones del ganado de carne sin contacto.