La identificación precisa de panojas es un paso clave en la fenotipificación de campos de arroz. Los métodos de aprendizaje profundo basados en imágenes de alta resolución espacial proporcionan una solución de segmentación de panojas de alto rendimiento y precisa. Las tareas de segmentación de panojas requieren anotaciones costosas para entrenar un modelo de aprendizaje profundo preciso y robusto. Sin embargo, hay pocos conjuntos de datos públicos disponibles para la fenotipificación de panojas de arroz. Presentamos un proceso de entrenamiento de modelo de aprendizaje profundo semi-supervisado, que ayuda en gran medida a la anotación y refinamiento de conjuntos de datos de entrenamiento. El modelo aprende las características de las panojas con anotaciones limitadas y localiza más muestras positivas en los conjuntos de datos, sin necesidad de interacción adicional. Después del refinamiento del conjunto de datos, el número de anotaciones aumentó en un 40.6%. Además, entrenamos y probamos modelos modernos de aprendizaje profundo para mostrar cómo el conjunto de datos es beneficioso tanto para las tareas de detección como de segmentación. Los resultados de nuestros experimentos comparativos pueden inspirar a otros en la preparación de conjuntos de datos y la selección de modelos.