La gestión de heridas es una tarea fundamental en la práctica clínica estándar. Ya existen soluciones automatizadas para humanos, pero hay una falta de aplicaciones en cuanto a la gestión de heridas para mascotas. Una evaluación precisa y eficiente de las heridas es útil para mejorar el diagnóstico y aumentar la efectividad de los planes de tratamiento para heridas crónicas. En este trabajo, introdujimos un nuevo pipeline para la segmentación de imágenes de heridas en mascotas. Partiendo de un modelo preentrenado en imágenes de heridas humanas, aplicamos una combinación de aprendizaje por transferencia (TL) y aprendizaje semisupervisado activo (ASSL) para etiquetar automáticamente un gran conjunto de datos. Además, proporcionamos una guía para futuras aplicaciones de la estrategia de entrenamiento TL+ASSL en conjuntos de datos de imágenes. Comparamos la efectividad de la estrategia de entrenamiento propuesta, monitoreando el rendimiento de un modelo EfficientNet-b3 U-Net frente a la solución más ligera proporcionada por un modelo MobileNet-v2 U-Net. Obtuvimos un 80% de imágenes segmentadas correctamente después de cinco rondas de entrenamiento ASSL. El modelo EfficientNet-b3 U-Net superó significativamente al modelo MobileNet-v2. Demostramos que el número de muestras disponibles es un factor clave para el uso correcto del entrenamiento ASSL. El enfoque propuesto es una solución viable para reducir el tiempo requerido para la generación de un conjunto de datos de segmentación.